اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل کلان‌داده با زبان برنامه‌نویسی R: از مقدمات تا تکنیک‌های پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل کلان‌داده با زبان برنامه‌نویسی R: از مقدمات تا تکنیک‌های پیشرفته

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: تحلیل و پردازش کلان‌داده با ابزارهای نرم‌افزاری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و کلان‌داده
• 2. مفاهیم اساسی داده و اطلاعات
• 3. انواع داده‌ها و ساختارهای ذخیره‌سازی
• 4. اهمیت تحلیل کلان‌داده در دنیای امروز
• 5. مروری بر ابزارها و زبان‌های تحلیل کلان‌داده
• 6. معرفی زبان برنامه‌نویسی R برای تحلیل داده
• 7. نصب و راه‌اندازی R و RStudio
• 8. محیط کاری RStudio و اصول اولیه
• 9. مبانی برنامه‌نویسی در R: متغیرها و انواع داده
• 10. ساختارهای داده‌ای در R: وکتورها، ماتریس‌ها، آرایه‌ها
• 11. کار با لیست‌ها و دیتافریم‌ها در R
• 12. عملیات پایه‌ای روی داده‌ها در R
• 13. بارگذاری و ذخیره‌سازی داده‌ها در R
• 14. خواندن فایل‌های CSV و TXT
• 15. خواندن فایل‌های Excel
• 16. خواندن فایل‌های JSON
• 17. خواندن پایگاه‌های داده (SQL)
• 18. پاکسازی و پیش‌پردازش داده‌ها
• 19. مدیریت مقادیر گمشده (Missing Values)
• 20. شناسایی و حذف داده‌های پرت (Outliers)
• 21. تبدیل و نرمال‌سازی داده‌ها
• 22. مهندسی ویژگی (Feature Engineering)
• 23. تجسم داده‌ها در R: مفاهیم و اصول
• 24. نمودارهای پایه‌ای در R: هیستوگرام، نمودار پراکندگی
• 25. نمودارهای میله‌ای و خطی
• 26. نمودارهای جعبه‌ای و ویولن
• 27. نقشه‌های حرارتی (Heatmaps)
• 28. بسته‌های پرکاربرد تجسم داده: ggplot2
• 29. مقدمه‌ای بر `ggplot2`
• 30. ساخت نمودارهای پراکندگی با `ggplot2`
• 31. رسم نمودارهای خطی و میله‌ای با `ggplot2`
• 32. ایجاد نمودارهای چندگانه (Faceting)
• 33. سفارشی‌سازی ظاهر نمودارها
• 34. آمار توصیفی در R
• 35. محاسبه شاخص‌های مرکزی (میانگین، میانه)
• 36. محاسبه شاخص‌های پراکندگی (واریانس، انحراف معیار)
• 37. جداول فراوانی و توزیع‌ها
• 38. آزمون‌های آماری مقدماتی در R
• 39. آزمون t تک‌نمونه‌ای
• 40. آزمون t دو نمونه‌ای مستقل
• 41. آزمون t زوجی
• 42. آزمون کای‌دو (Chi-squared)
• 43. مقدمه‌ای بر تحلیل رگرسیون
• 44. رگرسیون خطی ساده
• 45. تفسیر ضرایب رگرسیون
• 46. ارزیابی مدل رگرسیون خطی
• 47. رگرسیون خطی چندگانه
• 48. مقدمه‌ای بر یادگیری ماشین
• 49. انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
• 50. مجموعه داده‌های آموزشی و آزمایشی
• 51. ارزیابی مدل‌های یادگیری ماشین
• 52. مدل‌های دسته‌بندی (Classification)
• 53. رگرسیون لجستیک (Logistic Regression)
• 54. درخت تصمیم (Decision Trees)
• 55. ماشین بردار پشتیبان (SVM)
• 56. مدل‌های خوشه‌بندی (Clustering)
• 57. الگوریتم K-Means
• 58. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 59. مقدمه‌ای بر پردازش کلان‌داده
• 60. چالش‌های کلان‌داده (حجم، سرعت، تنوع)
• 61. معماری‌های کلان‌داده: Hadoop و Spark
• 62. کاربرد R در اکوسیستم Hadoop
• 63. کاربرد R در اکوسیستم Spark
• 64. بسته‌های R برای پردازش کلان‌داده
• 65. `sparklyr`: اتصال R به Spark
• 66. بارگذاری داده‌های کلان در `sparklyr`
• 67. عملیات آماری روی داده‌های کلان با `sparklyr`
• 68. اجرای مدل‌های یادگیری ماشین روی داده‌های کلان
• 69. یادگیری عمیق (Deep Learning) و کلان‌داده
• 70. مقدمه‌ای بر شبکه‌های عصبی
• 71. شبکه‌های عصبی کانولوشنی (CNN)
• 72. شبکه‌های عصبی بازگشتی (RNN)
• 73. بسته‌های R برای یادگیری عمیق: `keras`
• 74. ساخت و آموزش مدل‌های یادگیری عمیق با `keras`
• 75. پردازش زبان طبیعی (NLP) و کلان‌داده
• 76. پیش‌پردازش متن در R
• 77. مدل‌سازی موضوعی (Topic Modeling)
• 78. تحلیل احساسات (Sentiment Analysis)
• 79. بسته‌های R برای NLP
• 80. تحلیل داده‌های شبکه‌های اجتماعی
• 81. جمع‌آوری داده از شبکه‌های اجتماعی
• 82. تجسم و تحلیل گراف‌ها
• 83. شناسایی الگوها و شبکه‌ها
• 84. کاربرد R در تحلیل داده‌های شبکه‌های اجتماعی
• 85. مدیریت و ذخیره‌سازی کلان‌داده
• 86. پایگاه‌های داده NoSQL
• 87. مفاهیم کلان‌داده در پایگاه‌های داده
• 88. امنیت داده‌ها در محیط کلان‌داده
• 89. اخلاق در تحلیل کلان‌داده
• 90. حریم خصوصی و حفاظت از داده‌ها
• 91. سوگیری در الگوریتم‌ها و داده‌ها
• 92. تفسیرپذیری مدل‌های کلان‌داده
• 93. کاربردهای پیشرفته علوم داده
• 94. سیستم‌های توصیه‌گر (Recommender Systems)
• 95. تحلیل سری‌های زمانی (Time Series Analysis)
• 96. مدل‌سازی پیش‌بینانه (Predictive Modeling)
• 97. کاربرد علوم داده در حوزه‌های مختلف (مالی، پزشکی، بازاریابی)
• 98. روندهای آینده در علوم داده و کلان‌داده
• 99. یادگیری تقویتی (Reinforcement Learning)
• 100. هوش مصنوعی مولد (Generative AI)