دوره Google Cloud Platform: راهنمای عملی برای توسعه دهندگان R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: راهنمای عملی برای توسعه دهندگان R

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی R و محیط توسعه آن
• 2. نصب و پیکربندی R و RStudio
• 3. انواع داده‌ها در R: اعداد، رشته‌ها، منطقی‌ها و فاکتورها
• 4. ساختارهای داده‌ای پایه: بردارها، ماتریس‌ها و آرایه‌ها
• 5. کار با لیست‌ها و دیتافریم‌ها در R
• 6. عملیات اساسی روی بردارها و ماتریس‌ها
• 7. توابع کاربردی برای کار با ساختارهای داده‌ای
• 8. مقدمه‌ای بر بسته‌های R و نحوه نصب و فراخوانی آن‌ها
• 9. مدیریت مسیرهای کاری (Working Directories) در R
• 10. خواندن و نوشتن داده‌ها از فایل‌های متنی (CSV, TXT)
• 11. کار با فایل‌های اکسل (Excel) در R
• 12. مقدمه‌ای بر پایگاه‌های داده و اتصال به آن‌ها از R
• 13. کار با پایگاه داده‌های SQLite در R
• 14. مقدمه‌ای بر مفاهیم آماری در R
• 15. انجام محاسبات آماری توصیفی پایه
• 16. نمودارها و بصری‌سازی داده‌ها با استفاده از ggplot2
• 17. ایجاد نمودارهای میله‌ای (Bar Plots) و خطی (Line Plots)
• 18. رسم نمودارهای پراکندگی (Scatter Plots) و هیستوگرام (Histograms)
• 19. تنظیمات پیشرفته در ggplot2: رنگ، برچسب و عنوان
• 20. کار با داده‌های سری زمانی (Time Series) در R
• 21. تحلیل داده‌های سری زمانی: روند، فصلی بودن و نویز
• 22. مقدمه‌ای بر مدل‌سازی آماری
• 23. رگرسیون خطی ساده و چندگانه
• 24. ارزیابی مدل‌های رگرسیونی
• 25. مقدمه‌ای بر آزمون‌های فرض آماری
• 26. آزمون t (t-test) برای مقایسه میانگین‌ها
• 27. آزمون کای‌دو (Chi-squared Test) برای داده‌های طبقه‌ای
• 28. مقدمه‌ای بر یادگیری ماشین
• 29. آموزش مدل‌های یادگیری ماشین
• 30. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 31. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 32. کار با الگوریتم‌های طبقه‌بندی (Classification)
• 33. رگرسیون لجستیک (Logistic Regression)
• 34. ماشین‌های بردار پشتیبان (Support Vector Machines)
• 35. درخت‌های تصمیم (Decision Trees)
• 36. جنگل‌های تصادفی (Random Forests)
• 37. کار با الگوریتم‌های خوشه‌بندی (Clustering)
• 38. K-Means Clustering
• 39. Hierarchical Clustering
• 40. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 41. پاکسازی متن و پیش‌پردازش داده‌های متنی
• 42. تبدیل متن به بردارهای عددی (Vectorization)
• 43. مدل‌سازی موضوعی (Topic Modeling) با Latent Dirichlet Allocation (LDA)
• 44. کار با وب‌سرویس‌ها و API ها در R
• 45. دریافت داده از API های عمومی
• 46. کار با داده‌های جغرافیایی (Geospatial Data) در R
• 47. خواندن و نمایش نقشه‌ها
• 48. تحلیل داده‌های مکانی
• 49. مقدمه‌ای بر محاسبات موازی (Parallel Computing) در R
• 50. استفاده از بسته‌های موازی برای افزایش سرعت محاسبات
• 51. مقدمه‌ای بر توسعه اپلیکیشن‌های وب با Shiny
• 52. ساخت داشبوردهای تعاملی با Shiny
• 53. استقرار اپلیکیشن‌های Shiny
• 54. اصول برنامه‌نویسی شیءگرا در R
• 55. مفاهیم کلاس و شیء
• 56. ارث‌بری و چندریختی
• 57. کار با بسته dplyr برای دستکاری داده‌ها
• 58. فیلتر کردن (Filtering) و مرتب‌سازی (Sorting) داده‌ها
• 59. انتخاب (Selecting) و تغییر نام (Renaming) ستون‌ها
• 60. ترکیب (Mutating) و خلاصه‌سازی (Summarizing) داده‌ها
• 61. کار با بسته tidyr برای مرتب‌سازی داده‌ها
• 62. انتقال داده‌ها از فرمت عریض به بلند و بالعکس
• 63. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 64. کاوش الگوهای پنهان در داده‌ها
• 65. قوانین وابستگی (Association Rules)
• 66. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 67. مفاهیم اساسی یادگیری تقویتی
• 68. کار با محیط‌های شبیه‌سازی شده
• 69. کار با داده‌های بزرگ (Big Data) و ابزارهای مرتبط
• 70. مقدمه‌ای بر Spark در R
• 71. اتصال R به Spark
• 72. تحلیل داده‌های بزرگ با SparkR
• 73. مقدمه‌ای بر مفاهیم آماری پیشرفته
• 74. مدل‌های خطی تعمیم‌یافته (Generalized Linear Models)
• 75. تحلیل بقا (Survival Analysis)
• 76. مدل‌سازی سری‌های زمانی پیشرفته
• 77. مقدمه‌ای بر شبکه‌های عصبی (Neural Networks)
• 78. ساخت و آموزش شبکه‌های عصبی پایه
• 79. استفاده از بسته‌های یادگیری عمیق (Deep Learning) در R
• 80. کار با داده‌های تصویری (Image Data)
• 81. تحلیل تصاویر با شبکه‌های عصبی کانولوشنی (CNN)
• 82. کار با داده‌های صوتی (Audio Data)
• 83. مقدمه‌ای بر بیوانفورماتیک (Bioinformatics) در R
• 84. تحلیل داده‌های ژنتیکی
• 85. کار با بسته‌های بیوانفورماتیک
• 86. مقدمه‌ای بر تحلیل شبکه‌ها (Network Analysis)
• 87. نمایش و تحلیل ساختار شبکه‌ها
• 88. کار با داده‌های متنی پیشرفته
• 89. تحلیل احساسات (Sentiment Analysis)
• 90. شناسایی موجودیت نام‌دار (Named Entity Recognition)
• 91. مقدمه‌ای بر بهینه‌سازی (Optimization)
• 92. روش‌های بهینه‌سازی عددی
• 93. کار با توابع بهینه‌سازی در R
• 94. مقدمه‌ای بر شبیه‌سازی (Simulation)
• 95. تولید اعداد تصادفی
• 96. شبیه‌سازی فرآیندهای تصادفی
• 97. مقدمه‌ای بر تست A/B
• 98. طراحی و اجرای تست A/B
• 99. تحلیل نتایج تست A/B
• 100. مقدمه‌ای بر امنیت داده‌ها در R