دوره تحلیل داده با زبان R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده با زبان R

موضوع کلی: برنامه نویسی

موضوع میانی: تحلیل داده (Data Analysis)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده با R
• 2. نصب و راه‌اندازی R و RStudio
• 3. مفاهیم پایه در R: متغیرها، انواع داده
• 4. بردارهای عددی و کار با آن‌ها
• 5. بردارهای منطقی و کار با آن‌ها
• 6. بردارهای کاراکتری و کار با آن‌ها
• 7. ساختارهای داده: لیست‌ها
• 8. ساختار داده: ماتریس‌ها
• 9. ساختار داده: آرایه‌ها
• 10. ساختار داده: فریم‌های داده (Data Frames)
• 11. وارد کردن داده‌ها از فایل‌های CSV
• 12. وارد کردن داده‌ها از فایل‌های Excel
• 13. وارد کردن داده‌ها از پایگاه‌های داده
• 14. پاکسازی داده‌های ناقص (Missing Values)
• 15. شناسایی و مدیریت داده‌های پرت (Outliers)
• 16. تبدیل و نرمال‌سازی داده‌ها
• 17. عملیات پایه‌ای روی فریم‌های داده
• 18. انتخاب و فیلتر کردن داده‌ها
• 19. مرتب‌سازی فریم‌های داده
• 20. ترکیب فریم‌های داده (Merge, Join)
• 21. عملیات گروه‌بندی و خلاصه‌سازی (Group By, Summarize)
• 22. کار با رشته‌ها و متون در R
• 23. کار با تاریخ و زمان در R
• 24. مقدمه‌ای بر نمودارها در R
• 25. نمودارهای پراکندگی (Scatter Plots)
• 26. نمودارهای خطی (Line Plots)
• 27. نمودارهای میله‌ای (Bar Plots)
• 28. نمودارهای جعبه‌ای (Box Plots)
• 29. نمودارهای هیستوگرام (Histograms)
• 30. نمودارهای چگالی (Density Plots)
• 31. نمودارهای دایره‌ای (Pie Charts) (با احتیاط)
• 32. استفاده از کتابخانه ggplot2 برای رسم نمودار
• 33. رسم نمودارهای پیچیده‌تر با ggplot2
• 34. مقدمه‌ای بر آمار توصیفی
• 35. محاسبه میانگین، میانه و مد
• 36. محاسبه واریانس و انحراف معیار
• 37. محاسبه چارک‌ها و دامنه بین چارکی
• 38. مقدمه‌ای بر آزمون فرض آماری
• 39. آزمون t تک‌نمونه‌ای
• 40. آزمون t دو نمونه‌ای مستقل
• 41. آزمون t دو نمونه‌ای زوجی
• 42. آزمون تحلیل واریانس یک‌طرفه (One-Way ANOVA)
• 43. مقدمه‌ای بر رگرسیون خطی ساده
• 44. برازش مدل رگرسیون خطی ساده
• 45. تفسیر ضرایب رگرسیون خطی ساده
• 46. ارزیابی مدل رگرسیون خطی ساده
• 47. مقدمه‌ای بر رگرسیون خطی چندگانه
• 48. برازش مدل رگرسیون خطی چندگانه
• 49. تفسیر ضرایب رگرسیون خطی چندگانه
• 50. ارزیابی مدل رگرسیون خطی چندگانه
• 51. انتخاب متغیر در رگرسیون (مقدماتی)
• 52. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 53. رگرسیون لجستیک برای داده‌های طبقه‌بندی
• 54. تفسیر نتایج رگرسیون لجستیک
• 55. مقدمه‌ای بر تحلیل سری‌های زمانی
• 56. شناسایی روند و فصلیت در سری‌های زمانی
• 57. مدل‌های ARIMA (مقدماتی)
• 58. پیش‌بینی با مدل‌های سری زمانی
• 59. مقدمه‌ای بر یادگیری ماشین
• 60. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 61. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 62. متریک‌های ارزیابی مدل‌های رگرسیون
• 63. مقدمه‌ای بر الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 64. پیاده‌سازی KNN در R
• 65. مقدمه‌ای بر درخت‌های تصمیم
• 66. پیاده‌سازی درخت تصمیم در R
• 67. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 68. پیاده‌سازی جنگل تصادفی در R
• 69. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 70. پیاده‌سازی SVM در R
• 71. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 72. الگوریتم K-Means
• 73. پیاده‌سازی K-Means در R
• 74. مقدمه‌ای بر تحلیل مولفه‌های اصلی (PCA)
• 75. پیاده‌سازی PCA در R
• 76. مقدمه‌ای بر تحلیل عاملی (Factor Analysis)
• 77. پیاده‌سازی تحلیل عاملی در R
• 78. مقدمه‌ای بر تحلیل اکتشافی داده‌ها (EDA)
• 79. تکنیک‌های پیشرفته EDA
• 80. بصری‌سازی ارتباط بین متغیرها
• 81. شناسایی الگوهای پنهان در داده‌ها
• 82. استانداردسازی و مقیاس‌بندی داده‌ها برای مدل‌ها
• 83. مدیریت داده‌های بزرگ و بهینه‌سازی کد
• 84. کار با توابع و بسته‌های سفارشی
• 85. مقدمه‌ای بر برنامه‌نویسی تابعی در R
• 86. استفاده از dplyr برای عملیات داده‌ای
• 87. استفاده از tidyr برای سازماندهی داده‌ها
• 88. استفاده از purrr برای عملیات تکراری
• 89. مقدمه‌ای بر گزارش‌دهی و اشتراک‌گذاری نتایج
• 90. تولید گزارش‌های پویا با R Markdown
• 91. تبدیل نتایج به فرمت‌های مختلف
• 92. اصول نگارش علمی در تحلیل داده
• 93. کار با داده‌های مکانی (مقدماتی)
• 94. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی (مقدماتی)
• 95. مقدمه‌ای بر پردازش زبان طبیعی (NLP) با R (مقدماتی)
• 96. اخلاق در تحلیل داده و حفظ حریم خصوصی
• 97. کاربرد R در حوزه‌های مختلف علمی (مثال‌ها)
• 98. مطالعه موردی: تحلیل داده‌های اقتصادی
• 99. مطالعه موردی: تحلیل داده‌های سلامت
• 100. مطالعه موردی: تحلیل داده‌های بازاریابی