دوره راهنمای جامع نرم‌افزار Crosstabs برای تحلیل جدول‌های تقاطعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع نرم‌افزار Crosstabs برای تحلیل جدول‌های تقاطعی

موضوع کلی: تحلیل و پردازش داده‌های آماری

موضوع میانی: نرم‌افزارهای آماری کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل جدول‌های تقاطعی
• 2. آشنایی با نرم‌افزار Crosstabs
• 3. نصب و راه‌اندازی نرم‌افزار Crosstabs
• 4. مروری بر مفاهیم آماری پایه
• 5. انواع متغیرها در تحلیل آماری
• 6. مقدمه‌ای بر داده‌های طبقه‌بندی شده
• 7. ساختار پایگاه داده در Crosstabs
• 8. ورود داده‌ها به نرم‌افزار
• 9. مدیریت داده‌ها در Crosstabs
• 10. پاکسازی داده‌ها و شناسایی مقادیر پرت
• 11. مقدمه‌ای بر جدول‌های تقاطعی
• 12. ایجاد جدول‌های تقاطعی دو بعدی
• 13. تفسیر جدول‌های تقاطعی دو بعدی
• 14. محاسبه فراوانی‌های مشاهده شده
• 15. محاسبه فراوانی‌های مورد انتظار
• 16. آزمون کای دو برای استقلال
• 17. آزمون کای دو برای همگنی
• 18. شاخص‌های همبستگی برای داده‌های طبقه‌بندی شده
• 19. ضریب فی
• 20. ضریب کرامر V
• 21. ضریب تاو کندال
• 22. ضریب گاما
• 23. ضریب اسپیرمن
• 24. تست دقیق فیشر
• 25. جدول‌های تقاطعی سه بعدی
• 26. ایجاد جدول‌های تقاطعی سه بعدی
• 27. تفسیر جدول‌های تقاطعی سه بعدی
• 28. تحلیل اثر متغیر سوم
• 29. کنترل متغیرهای مزاحم
• 30. مدل‌سازی خطی تعمیم‌یافته (GLM)
• 31. رگرسیون لجستیک برای داده‌های طبقه‌بندی شده
• 32. رگرسیون پواسون
• 33. تحلیل عاملی برای داده‌های طبقه‌بندی شده
• 34. تحلیل خوشه‌ای برای داده‌های طبقه‌بندی شده
• 35. مقایسه میانگین‌ها در جدول‌های تقاطعی
• 36. تحلیل واریانس (ANOVA) برای داده‌های طبقه‌بندی شده
• 37. روش‌های ناپارامتری
• 38. آزمون من-ویتنی یو
• 39. آزمون کروسکال-والیس
• 40. آزمون ویلکاکسون
• 41. آزمون مک‌نمار
• 42. تحلیل سری‌های زمانی برای داده‌های طبقه‌بندی شده
• 43. مقدمه‌ای بر تحلیل بقا
• 44. مدل کاکس برای داده‌های طبقه‌بندی شده
• 45. تجسم داده‌ها در Crosstabs
• 46. نمودارهای میله‌ای برای داده‌های طبقه‌بندی شده
• 47. نمودارهای ستونی برای داده‌های طبقه‌بندی شده
• 48. نمودارهای دایره‌ای برای داده‌های طبقه‌بندی شده
• 49. نمودارهای جعبه‌ای برای داده‌های طبقه‌بندی شده
• 50. نمودارهای پراکندگی برای داده‌های طبقه‌بندی شده
• 51. نمودارهای سه‌بعدی
• 52. مقدمه‌ای بر روش‌های نمونه‌گیری
• 53. نمونه‌گیری تصادفی ساده
• 54. نمونه‌گیری طبقه‌ای
• 55. نمونه‌گیری خوشه‌ای
• 56. نمونه‌گیری سیستماتیک
• 57. مقدمه‌ای بر آزمون فرض آماری
• 58. مفاهیم سطح معنی‌داری و خطای نوع اول و دوم
• 59. مقدمه‌ای بر تحلیل عاملی اکتشافی
• 60. مقدمه‌ای بر تحلیل عاملی تاییدی
• 61. اعتبار سنجی مدل‌ها در Crosstabs
• 62. قابلیت اطمینان در Crosstabs
• 63. روش‌های کاهش ابعاد
• 64. تحلیل مؤلفه‌های اصلی
• 65. تحلیل عوامل مشترک
• 66. ارزیابی کیفیت داده‌ها
• 67. پیش‌پردازش داده‌ها برای مدل‌سازی
• 68. تکنیک‌های نمونه‌برداری مجدد
• 69. اعتبارسنجی متقابل
• 70. تنظیم ابرپارامترها
• 71. مقدمه‌ای بر یادگیری ماشین
• 72. یادگیری نظارت شده
• 73. یادگیری نظارت نشده
• 74. یادگیری تقویتی
• 75. مقدمه‌ای بر شبکه‌های عصبی
• 76. شبکه‌های عصبی کانولوشنال
• 77. شبکه‌های عصبی بازگشتی
• 78. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی
• 79. K-Means
• 80. خوشه‌بندی سلسله مراتبی
• 81. DBSCAN
• 82. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی
• 83. رگرسیون لجستیک
• 84. ماشین بردار پشتیبان (SVM)
• 85. درخت‌های تصمیم
• 86. جنگل‌های تصادفی
• 87. مقدمه‌ای بر مدل‌های ترکیبی
• 88. بوت استرپ
• 89. بگینگ
• 90. بوستینگ
• 91. مقدمه‌ای بر تفسیر نتایج مدل‌ها
• 92. ارزیابی عملکرد مدل‌ها
• 93. سنجه‌های ارزیابی برای طبقه‌بندی
• 94. سنجه‌های ارزیابی برای رگرسیون
• 95. تحلیل حساسیت
• 96. تحلیل قابلیت تفسیر مدل
• 97. ملاحظات اخلاقی در تحلیل داده‌ها
• 98. حریم خصوصی داده‌ها
• 99. سوگیری در الگوریتم‌ها
• 100. مسئولیت‌پذیری در هوش مصنوعی