فلش‌کارت‌های آموزشی تحلیل داده‌ها و مدل‌سازی پیش‌بینی با R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌ها و مدل‌سازی پیش‌بینی با R

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: علم داده و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده در R
• 2. مقدمه‌ای بر زبان R و محیط توسعه آن
• 3. نصب و پیکربندی R و RStudio
• 4. انواع داده‌ها و ساختارهای داده در R
• 5. عملیات پایه بر روی بردارها و ماتریس‌ها
• 6. کار با دیتافریم‌ها و لیست‌ها
• 7. مقدمه‌ای بر آماره توصیفی
• 8. محاسبه شاخص‌های مرکزی و پراکندگی
• 9. نمودارهای آماری مقدماتی (هیستوگرام، نمودار جعبه‌ای)
• 10. مقدمه‌ای بر آمار استنباطی
• 11. آزمون فرض آماری
• 12. مفاهیم احتمال و توزیع‌های احتمال
• 13. توزیع نرمال و کاربردهای آن
• 14. توزیع‌های گسسته (دوجمله‌ای، پواسون)
• 15. مقدمه‌ای بر رگرسیون خطی ساده
• 16. تخمین پارامترها در رگرسیون خطی
• 17. آزمون فرض برای ضرایب رگرسیون
• 18. ارزیابی مدل رگرسیون خطی
• 19. مقدمه‌ای بر رگرسیون خطی چندگانه
• 20. انتخاب متغیر در رگرسیون
• 21. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 22. رگرسیون لجستیک برای داده‌های طبقه‌ای
• 23. کاربرد رگرسیون لجستیک در تحلیل داده
• 24. مقدمه‌ای بر تحلیل سری‌های زمانی
• 25. اجزای اصلی سری‌های زمانی (روند، فصلی، نویز)
• 26. مدل‌های ARIMA برای تحلیل سری‌های زمانی
• 27. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 28. مقدمه‌ای بر یادگیری ماشین
• 29. یادگیری نظارت‌شده و بدون نظارت
• 30. مفاهیم ارزیابی مدل (دقت، صحت، بازیابی)
• 31. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 32. روش‌های اعتبارسنجی متقابل (Cross-validation)
• 33. مقدمه‌ای بر الگوریتم‌های دسته‌بندی
• 34. رگرسیون لجستیک به عنوان الگوریتم دسته‌بندی
• 35. ماشین‌های بردار پشتیبان (SVM)
• 36. درخت‌های تصمیم (Decision Trees)
• 37. جنگل‌های تصادفی (Random Forests)
• 38. الگوریتم K-نزدیکترین همسایه (KNN)
• 39. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی
• 40. الگوریتم K-Means
• 41. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 42. ارزیابی مدل‌های خوشه‌بندی
• 43. مقدمه‌ای بر کاهش ابعاد
• 44. تحلیل مؤلفه‌های اصلی (PCA)
• 45. کاربرد PCA در تحلیل داده
• 46. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 47. پیش‌پردازش متن در R
• 48. مدل‌سازی موضوعی (Topic Modeling)
• 49. تحلیل احساسات (Sentiment Analysis)
• 50. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 51. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 52. کاربرد MLP در مسائل دسته‌بندی و رگرسیون
• 53. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 54. کاربرد CNN در پردازش تصویر
• 55. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 56. کاربرد RNN در پردازش دنباله‌ها
• 57. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 58. مفاهیم پایه یادگیری تقویتی
• 59. کاربرد یادگیری تقویتی در مسائل تصمیم‌گیری
• 60. مقدمه‌ای بر بهینه‌سازی
• 61. الگوریتم‌های بهینه‌سازی پایه
• 62. کاربرد بهینه‌سازی در مدل‌سازی
• 63. مقدمه‌ای بر داده‌های کلان (Big Data)
• 64. ابزارها و تکنیک‌های کار با داده‌های کلان
• 65. مقدمه‌ای بر اینترنت اشیاء (IoT)
• 66. تحلیل داده‌های حسگرها در IoT
• 67. مقدمه‌ای بر بلاک‌چین و کاربردهای آن
• 68. امنیت داده‌ها در سیستم‌های توزیع‌شده
• 69. مقدمه‌ای بر هوش مصنوعی مولد
• 70. تولید متن با مدل‌های زبانی بزرگ
• 71. تولید تصویر با مدل‌های مولد
• 72. مقدمه‌ای بر اخلاق در علم داده
• 73. سوگیری در الگوریتم‌ها و راهکارهای آن
• 74. حریم خصوصی داده‌ها و مقررات مربوطه
• 75. قوانین حفاظت از داده‌ها در ایران
• 76. انطباق مدل‌های پیش‌بینی با مقررات
• 77. مقدمه‌ای بر داده‌کاوی در حوزه سلامت
• 78. تحلیل داده‌های پزشکی با R
• 79. کاربرد یادگیری ماشین در تشخیص بیماری
• 80. مدل‌سازی پیش‌بینی ریسک بیماری
• 81. مقدمه‌ای بر داده‌کاوی در حوزه مالی
• 82. تحلیل داده‌های بازار سهام
• 83. مدل‌سازی پیش‌بینی قیمت سهام
• 84. تشخیص تقلب در تراکنش‌های مالی
• 85. مقدمه‌ای بر تحلیل داده‌های شبکه‌های اجتماعی
• 86. تحلیل الگوهای ارتباطی کاربران
• 87. پیش‌بینی رفتار کاربران در شبکه‌های اجتماعی
• 88. مقدمه‌ای بر داده‌کاوی در حوزه کشاورزی
• 89. تحلیل داده‌های هواشناسی و خاک
• 90. مدل‌سازی پیش‌بینی عملکرد محصولات کشاورزی
• 91. مقدمه‌ای بر داده‌کاوی در حوزه آموزش
• 92. تحلیل عملکرد تحصیلی دانشجویان
• 93. پیش‌بینی ریزش تحصیلی دانشجویان
• 94. مقدمه‌ای بر داده‌کاوی در حوزه محیط زیست
• 95. تحلیل داده‌های آلودگی هوا
• 96. مدل‌سازی پیش‌بینی وقوع بلایای طبیعی
• 97. مقدمه‌ای بر داده‌کاوی در حوزه گردشگری
• 98. تحلیل رفتار گردشگران
• 99. پیش‌بینی تقاضا برای مقاصد گردشگری
• 100. مقدمه‌ای بر داده‌کاوی در حوزه ترافیک