اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل آماری مقدماتی با کامپیوترهای شخصی (مناسب برای Commodore 64)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل آماری مقدماتی با کامپیوترهای شخصی (مناسب برای Commodore 64)

موضوع کلی: علوم کامپیوتر و برنامه‌نویسی

موضوع میانی: تحلیل داده و آمار با کامپیوتر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل آماری با کامپیوتر
• 2. آشنایی با کامپیوترهای شخصی و کاربردهای آماری
• 3. مفاهیم پایه آمار توصیفی
• 4. میانگین، میانه و نما در تحلیل داده
• 5. انحراف معیار و واریانس برای سنجش پراکندگی
• 6. نمودارها و گراف‌ها در نمایش داده‌های آماری
• 7. مقدمه‌ای بر زبان برنامه‌نویسی BASIC
• 8. دستورات پایه BASIC برای محاسبات آماری
• 9. ورودی و خروجی داده در برنامه‌های BASIC
• 10. توسعه برنامه‌های ساده آماری با BASIC
• 11. مفاهیم پایه احتمالات
• 12. قوانین اصلی احتمالات
• 13. احتمال شرطی و استقلال رویدادها
• 14. متغیرهای تصادفی و توزیع‌های احتمال
• 15. توزیع دوجمله‌ای و کاربردهای آن
• 16. توزیع پواسون و موارد استفاده
• 17. مقدمه‌ای بر توزیع نرمال
• 18. ویژگی‌های توزیع نرمال استاندارد
• 19. استفاده از جداول توزیع نرمال
• 20. آزمون فرض آماری: مفاهیم اولیه
• 21. فرضیه صفر و فرضیه جایگزین
• 22. خطای نوع اول و نوع دوم
• 23. سطح معنی‌داری و مقدار p
• 24. آزمون t تک‌نمونه‌ای
• 25. آزمون t دو‌نمونه‌ای مستقل
• 26. آزمون t زوجی
• 27. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 28. ANOVA یک‌طرفه
• 29. مقایسه میانگین‌ها پس از ANOVA
• 30. آزمون‌های تعقیبی
• 31. مقدمه‌ای بر رگرسیون خطی ساده
• 32. برآورد پارامترهای رگرسیون
• 33. ضریب تعیین و تفسیر آن
• 34. آزمون فرض برای ضرایب رگرسیون
• 35. مقدمه‌ای بر همبستگی
• 36. ضریب همبستگی پیرسون
• 37. آزمون فرض برای ضریب همبستگی
• 38. همبستگی جزئی
• 39. مقدمه‌ای بر تحلیل سری‌های زمانی
• 40. شاخص‌های روند و فصلی
• 41. هموارسازی سری‌های زمانی
• 42. پیش‌بینی با مدل‌های ساده سری زمانی
• 43. کاربرد نرم‌افزار در تحلیل آماری
• 44. مثال‌هایی از تحلیل آماری در علوم زیستی
• 45. مثال‌هایی از تحلیل آماری در علوم اجتماعی
• 46. مثال‌هایی از تحلیل آماری در علوم اقتصادی
• 47. مثال‌هایی از تحلیل آماری در علوم مهندسی
• 48. تکنیک‌های نمونه‌گیری در آمار
• 49. نمونه‌گیری تصادفی ساده
• 50. نمونه‌گیری طبقه‌ای
• 51. نمونه‌گیری خوشه‌ای
• 52. مقدمه‌ای بر آمار استنباطی
• 53. فاصله اطمینان برای میانگین
• 54. فاصله اطمینان برای نسبت
• 55. مقایسه نسبت‌ها
• 56. آزمون کای‌دو برای داده‌های طبقه‌بندی شده
• 57. مفاهیم رگرسیون لجستیک
• 58. کاربرد رگرسیون لجستیک
• 59. مقدمه‌ای بر تحلیل عاملی
• 60. کاربرد تحلیل عاملی
• 61. مقدمه‌ای بر تحلیل خوشه‌ای
• 62. کاربرد تحلیل خوشه‌ای
• 63. مقدمه‌ای بر آزمون‌های ناپارامتری
• 64. آزمون رتبه علامت‌دار ویلکاکسون
• 65. آزمون من-ویتنی یو
• 66. آزمون کروسکال-والیس
• 67. آزمون رتبه‌های علامت‌دار
• 68. مقدمه‌ای بر نرم‌افزارهای آماری پیشرفته
• 69. کاربرد نرم‌افزار SPSS
• 70. کاربرد نرم‌افزار R (مقدماتی)
• 71. کاربرد نرم‌افزار Python (کتابخانه‌های آماری)
• 72. اصول اخلاقی در تحلیل داده
• 73. حفظ حریم خصوصی داده‌ها
• 74. شفافیت در روش‌های تحلیل
• 75. تفسیر صحیح نتایج آماری
• 76. محدودیت‌های تحلیل آماری
• 77. کاربرد هوش مصنوعی در تحلیل داده (مقدماتی)
• 78. مقدمه‌ای بر یادگیری ماشین
• 79. انواع الگوریتم‌های یادگیری ماشین
• 80. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 81. کاربرد شبکه‌های عصبی در تحلیل داده
• 82. مقدمه‌ای بر داده‌کاوی
• 83. تکنیک‌های کشف الگو در داده‌کاوی
• 84. کاربرد داده‌کاوی در کسب‌وکار
• 85. مقدمه‌ای بر تحلیل متن
• 86. پردازش زبان طبیعی (NLP)
• 87. کاربرد تحلیل متن در شبکه‌های اجتماعی
• 88. مقدمه‌ای بر مصورسازی پیشرفته داده
• 89. ابزارهای مصورسازی تعاملی
• 90. طراحی داشبوردهای آماری
• 91. مقدمه‌ای بر مدیریت داده
• 92. پایگاه‌های داده رابطه‌ای
• 93. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 94. معماری سیستم‌های داده بزرگ
• 95. مقدمه‌ای بر یادگیری عمیق
• 96. مفاهیم پایه یادگیری عمیق
• 97. کاربرد یادگیری عمیق در پردازش تصویر
• 98. کاربرد یادگیری عمیق در پردازش صوت
• 99. اصول تحلیل آماری در علوم کامپیوتر
• 100. تحلیل عملکرد الگوریتم‌ها