فلش‌کارت‌های آموزشی علم داده با R: از مقدمات تا تحلیل‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده با R: از مقدمات تا تحلیل‌های کاربردی

موضوع کلی: علوم داده و تحلیل آماری با زبان برنامه‌نویسی R

موضوع میانی: مقدمه‌ای بر علم داده و ابزارهای آن

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن
• 2. آشنایی با محیط RStudio
• 3. نصب و پیکربندی R و RStudio
• 4. انواع داده‌ها در R
• 5. کار با متغیرها و انواع داده
• 6. ساختار داده‌های پایه: وکتورها
• 7. ساختار داده‌های پایه: لیست‌ها
• 8. ساختار داده‌های پایه: ماتریس‌ها
• 9. ساختار داده‌های پایه: آرایه‌ها
• 10. ساختار داده‌های پایه: فریم‌های داده (Data Frames)
• 11. وارد کردن داده‌ها به R: فایل‌های CSV
• 12. وارد کردن داده‌ها به R: فایل‌های Excel
• 13. وارد کردن داده‌ها به R: پایگاه‌های داده
• 14. پاکسازی داده‌ها: شناسایی و مدیریت مقادیر گمشده
• 15. پاکسازی داده‌ها: شناسایی و مدیریت داده‌های پرت
• 16. تغییر فرمت داده‌ها و تبدیل انواع
• 17. دستکاری داده‌ها با dplyr: انتخاب ستون‌ها
• 18. دستکاری داده‌ها با dplyr: فیلتر کردن ردیف‌ها
• 19. دستکاری داده‌ها با dplyr: مرتب‌سازی داده‌ها
• 20. دستکاری داده‌ها با dplyr: افزودن ستون‌های جدید
• 21. دستکاری داده‌ها با dplyr: خلاصه‌سازی داده‌ها
• 22. دستکاری داده‌ها با dplyr: ترکیب فریم‌های داده (Join)
• 23. استفاده از pipe operator (%>%)
• 24. دستکاری رشته‌ها در R
• 25. کار با تاریخ و زمان در R
• 26. مقدمه‌ای بر مصورسازی داده‌ها
• 27. مصورسازی با ggplot2: مفاهیم پایه
• 28. رسم نمودار پراکندگی (Scatter Plot)
• 29. رسم نمودار میله‌ای (Bar Chart)
• 30. رسم نمودار خطی (Line Chart)
• 31. رسم نمودار هیستوگرام (Histogram)
• 32. رسم نمودار جعبه‌ای (Box Plot)
• 33. رسم نمودار دایره‌ای (Pie Chart)
• 34. تنظیمات ظاهری نمودارها در ggplot2
• 35. مصورسازی داده‌های جغرافیایی (مقدماتی)
• 36. مقدمه‌ای بر آمار توصیفی
• 37. محاسبه شاخص‌های مرکزی: میانگین، میانه، نما
• 38. محاسبه شاخص‌های پراکندگی: واریانس، انحراف معیار، دامنه
• 39. محاسبه چارک‌ها و صدک‌ها
• 40. آزمون فرض آماری: مفاهیم پایه
• 41. آزمون t تک‌نمونه‌ای (One-Sample t-test)
• 42. آزمون t دو‌نمونه‌ای مستقل (Independent Samples t-test)
• 43. آزمون t زوجی (Paired t-test)
• 44. آزمون تحلیل واریانس یک‌طرفه (One-Way ANOVA)
• 45. مقدمه‌ای بر رگرسیون خطی ساده
• 46. تفسیر ضرایب رگرسیون خطی ساده
• 47. ارزیابی مدل رگرسیون خطی ساده
• 48. مقدمه‌ای بر رگرسیون خطی چندگانه
• 49. انتخاب متغیر در مدل‌های رگرسیون
• 50. مقدمه‌ای بر تحلیل سری‌های زمانی
• 51. شناسایی الگوهای فصلی و روند در سری‌های زمانی
• 52. پیش‌بینی سری‌های زمانی (مقدماتی)
• 53. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 54. الگوریتم K-Means برای خوشه‌بندی
• 55. ارزیابی نتایج خوشه‌بندی
• 56. مقدمه‌ای بر طبقه‌بندی (Classification)
• 57. الگوریتم رگرسیون لجستیک (Logistic Regression)
• 58. تفسیر مدل رگرسیون لجستیک
• 59. مقدمه‌ای بر درخت تصمیم (Decision Trees)
• 60. قوانین انجمنی (Association Rules) و تحلیل سبد خرید
• 61. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 62. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 63. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 64. کار با داده‌های متنی: پیش‌پردازش
• 65. تحلیل احساسات (Sentiment Analysis) مقدماتی
• 66. تحلیل موضوعی (Topic Modeling) مقدماتی
• 67. کار با داده‌های تصویری: مقدمات
• 68. استفاده از R برای تحلیل داده‌های مالی (مقدماتی)
• 69. کاربرد R در تحلیل داده‌های بازاریابی
• 70. کاربرد R در تحلیل داده‌های شبکه‌های اجتماعی
• 71. بهینه‌سازی کد و افزایش سرعت در R
• 72. اشکال‌زدایی (Debugging) در R
• 73. مقدمه‌ای بر توسعه بسته‌های R
• 74. اصول گزارش‌دهی و مستندسازی نتایج
• 75. ساخت داشبوردهای تعاملی با Shiny (مقدماتی)
• 76. مقدمه‌ای بر یادگیری ماشین توزیع‌شده
• 77. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 78. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 79. کاربرد R در هوش تجاری (Business Intelligence)
• 80. مقدمه‌ای بر داده‌کاوی اکتشافی (EDA)
• 81. مدل‌سازی پیش‌بینانه (Predictive Modeling)
• 82. ارزیابی مدل‌های یادگیری ماشین
• 83. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 84. اعتبار سنجی متقابل (Cross-Validation)
• 85. کاربرد R در مدیریت ریسک
• 86. تحلیل آماری در حوزه‌های علمی (با تأکید بر علوم زیستی)
• 87. تحلیل آماری در حوزه‌های علمی (با تأکید بر علوم اجتماعی)
• 88. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی در R
• 89. تحلیل داده‌های مکانی و جغرافیایی پیشرفته
• 90. مقدمه‌ای بر یادگیری غیرنظارت شده
• 91. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
• 92. کاربرد R در اتوماسیون فرآیندها
• 93. مقدمه‌ای بر مصورسازی داده‌های چندبعدی
• 94. مقدمه‌ای بر یادگیری ترکیبی (Ensemble Learning)
• 95. مقدمه‌ای بر مدل‌های گرافیکی
• 96. مقدمه‌ای بر پردازش داده‌های گسسته
• 97. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 98. مقدمه‌ای بر یادگیری مبتنی بر معیار (Metric-based Learning)
• 99. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 100. مقدمه‌ای بر تحلیل داده‌های پرت و ناهنجاری