دوره ورود و پاکسازی داده‌ها با R: مبانی و تکنیک‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ورود و پاکسازی داده‌ها با R: مبانی و تکنیک‌ها

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: تحلیل و پردازش داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ورود و پاکسازی داده‌ها
• 2. نصب و پیکربندی R و RStudio
• 3. آشنایی با محیط RStudio
• 4. مبانی زبان R: متغیرها و انواع داده
• 5. ساختارهای داده‌ای در R: وکتورها
• 6. ساختارهای داده‌ای در R: ماتریس‌ها
• 7. ساختارهای داده‌ای در R: آرایه‌ها
• 8. ساختارهای داده‌ای در R: فاکتورها
• 9. ساختارهای داده‌ای در R: لیست‌ها
• 10. ساختارهای داده‌ای در R: دیتا فریم‌ها
• 11. وارد کردن داده‌ها از فایل‌های CSV
• 12. وارد کردن داده‌ها از فایل‌های Excel
• 13. وارد کردن داده‌ها از پایگاه‌های داده
• 14. اتصال به پایگاه‌های داده با R
• 15. پرس‌وجو از پایگاه‌های داده با SQL در R
• 16. وارد کردن داده‌های متنی
• 17. پاکسازی داده‌های متنی: حذف فضاهای خالی
• 18. پاکسازی داده‌های متنی: تبدیل به حروف کوچک/بزرگ
• 19. پاکسازی داده‌های متنی: جایگزینی کاراکترها
• 20. پاکسازی داده‌های متنی: تقسیم رشته‌ها
• 21. پاکسازی داده‌های متنی: ادغام رشته‌ها
• 22. کار با تاریخ و زمان در R
• 23. تبدیل فرمت تاریخ و زمان
• 24. مدیریت مقادیر گمشده (Missing Values)
• 25. شناسایی مقادیر گمشده
• 26. حذف مقادیر گمشده
• 27. جایگزینی مقادیر گمشده با میانگین/میانه
• 28. جایگزینی مقادیر گمشده با روش‌های پیشرفته‌تر
• 29. مدیریت داده‌های پرت (Outliers)
• 30. شناسایی داده‌های پرت
• 31. حذف داده‌های پرت
• 32. تبدیل داده‌های پرت
• 33. استانداردسازی و نرمال‌سازی داده‌ها
• 34. تکنیک‌های تغییر مقیاس داده‌ها
• 35. کار با داده‌های تکراری
• 36. شناسایی رکوردهای تکراری
• 37. حذف رکوردهای تکراری
• 38. مدیریت داده‌های نامنظم
• 39. نرمال‌سازی نام‌های دسته‌بندی
• 40. استانداردسازی مقادیر دسته‌بندی
• 41. رفع ناهماهنگی در داده‌ها
• 42. تکنیک‌های ادغام داده‌ها
• 43. ادغام دیتا فریم‌ها بر اساس ستون مشترک
• 44. ادغام دیتا فریم‌ها بر اساس ردیف مشترک
• 45. کوچک‌سازی و بزرگ‌سازی دیتا فریم‌ها
• 46. تغییر شکل دیتا فریم‌ها: بلند به عریض
• 47. تغییر شکل دیتا فریم‌ها: عریض به بلند
• 48. کار با داده‌های جدولی
• 49. ساختارهای داده‌ای زمانی
• 50. تحلیل سری‌های زمانی مقدماتی
• 51. پاکسازی داده‌های سری زمانی
• 52. کار با داده‌های جغرافیایی
• 53. مقدمه‌ای بر داده‌های مکانی
• 54. پاکسازی داده‌های مکانی
• 55. مبانی کار با کتابخانه dplyr
• 56. فیلتر کردن داده‌ها با dplyr
• 57. مرتب‌سازی داده‌ها با dplyr
• 58. انتخاب ستون‌ها با dplyr
• 59. ایجاد ستون‌های جدید با dplyr
• 60. خلاصه‌سازی داده‌ها با dplyr
• 61. ترکیب عملیات dplyr
• 62. کار با کتابخانه tidyr
• 63. تکنیک‌های مرتب‌سازی داده‌ها با tidyr
• 64. تکنیک‌های بازسازی داده‌ها با tidyr
• 65. پاکسازی داده‌های حجیم
• 66. روش‌های بهینه ورود داده‌ها
• 67. مدیریت خطاهای رایج در ورود داده‌ها
• 68. اعتبارسنجی داده‌ها
• 69. تکنیک‌های اعتبارسنجی داده‌ها
• 70. اهمیت پاکسازی داده‌ها در تحلیل
• 71. اصول طراحی مجموعه داده‌های تمیز
• 72. مستندسازی فرآیند پاکسازی داده‌ها
• 73. کار با داده‌های ساختاریافته
• 74. کار با داده‌های نیمه‌ساختاریافته
• 75. کار با داده‌های بدون ساختار
• 76. مقدمه‌ای بر کتابخانه data.table
• 77. ورود داده‌ها با data.table
• 78. پاکسازی داده‌ها با data.table
• 79. بهینه‌سازی عملکرد با data.table
• 80. کار با داده‌های بزرگ در حافظه
• 81. استفاده از ابزارهای خارجی برای پاکسازی
• 82. مقدمه‌ای بر زبان پایتون برای تحلیل داده
• 83. مقایسه R و پایتون در ورود و پاکسازی
• 84. ورود داده‌ها با پانداس
• 85. پاکسازی داده‌ها با پانداس
• 86. استفاده از ابزارهای گرافیکی برای پاکسازی
• 87. مقدمه‌ای بر هوش مصنوعی در پاکسازی داده
• 88. یادگیری ماشین برای شناسایی داده‌های پرت
• 89. یادگیری ماشین برای پیش‌بینی مقادیر گمشده
• 90. اصول مهندسی ویژگی (Feature Engineering)
• 91. ساخت ویژگی‌های جدید از داده‌های موجود
• 92. ارزیابی کیفیت داده‌ها
• 93. شاخص‌های کیفیت داده‌ها
• 94. گزارش‌دهی کیفیت داده‌ها
• 95. روش‌های اتوماتیک ورود و پاکسازی
• 96. کاربرد R در پروژه‌های واقعی
• 97. مثال عملی: پاکسازی داده‌های فروش
• 98. مثال عملی: پاکسازی داده‌های مشتریان
• 99. مثال عملی: پاکسازی داده‌های سنسور
• 100. مقدمه‌ای بر امنیت داده‌ها در ورود و پاکسازی