فلش‌کارت‌های آموزشی تحلیل داده و یادگیری ماشین کاربردی با R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده و یادگیری ماشین کاربردی با R

موضوع کلی: علوم و مهندسی داده

موضوع میانی: یادگیری ماشین و تحلیل داده با زبان R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و R
• 2. نصب و پیکربندی R و RStudio
• 3. آشنایی با محیط RStudio
• 4. مبانی زبان R: انواع داده و ساختارها
• 5. کار با متغیرها و عملگرها در R
• 6. ساختارهای کنترلی: دستورات شرطی
• 7. حلقه‌ها در R: for و while
• 8. توابع در R: تعریف و فراخوانی
• 9. مدیریت بسته ها در R
• 10. کار با داده های متنی (Strings)
• 11. کار با تاریخ و زمان در R
• 12. ساختارهای داده ای پیشرفته: لیست ها
• 13. ساختارهای داده ای پیشرفته: ماتریس ها
• 14. ساختارهای داده ای پیشرفته: آرایه ها
• 15. ساختارهای داده ای پیشرفته: دیتافریم ها
• 16. خواندن و نوشتن داده ها: CSV
• 17. خواندن و نوشتن داده ها: Excel
• 18. خواندن و نوشتن داده ها: پایگاه داده
• 19. پاکسازی و پیش پردازش داده ها
• 20. مدیریت مقادیر گمشده (NA)
• 21. شناسایی و مدیریت داده های پرت (Outliers)
• 22. تبدیل و نرمال سازی داده ها
• 23. انتخاب و مهندسی ویژگی (Feature Engineering)
• 24. مقدمه ای بر تحلیل اکتشافی داده (EDA)
• 25. مصورسازی داده ها: مقدمه ای بر ggplot2
• 26. نمودارهای میله ای و هیستوگرام
• 27. نمودارهای پراکندگی و خطی
• 28. نمودارهای جعبه ای و ویولن
• 29. نقشه های حرارتی (Heatmaps)
• 30. مصورسازی داده های جغرافیایی (مقدماتی)
• 31. مقدمه ای بر یادگیری ماشین
• 32. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 33. ارزیابی مدل های یادگیری ماشین
• 34. تقسیم داده ها: آموزش و آزمون
• 35. رگرسیون خطی ساده
• 36. رگرسیون خطی چندگانه
• 37. ارزیابی مدل های رگرسیون
• 38. مقدمه ای بر طبقه بندی
• 39. رگرسیون لجستیک
• 40. طبقه‌بند بیز ساده (Naive Bayes)
• 41. ماشین بردار پشتیبان (SVM) - مقدماتی
• 42. درخت تصمیم (Decision Trees)
• 43. قلمرو درخت تصمیم
• 44. مجموعه درختان تصمیم: جنگل تصادفی (Random Forest)
• 45. مجموعه درختان تصمیم: بوستینگ گرادیان (Gradient Boosting)
• 46. ارزیابی مدل های طبقه بندی: ماتریس درهم ریختگی
• 47. دقت، صحت و بازخوانی (Precision, Recall, F1-score)
• 48. منحنی ROC و AUC
• 49. خوشه بندی (Clustering): مقدمه
• 50. الگوریتم K-Means
• 51. ارزیابی مدل های خوشه بندی
• 52. کاهش ابعاد: تحلیل مؤلفه های اصلی (PCA)
• 53. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 54. پیش پردازش متن: توکن سازی و پاکسازی
• 55. شمارش کلمات و TF-IDF
• 56. مدل های زبانی آماری
• 57. مقدمه ای بر شبکه های عصبی
• 58. شبکه های عصبی پرسپترون چند لایه (MLP)
• 59. آموزش شبکه های عصبی: پس انتشار خطا
• 60. مقدمه ای بر یادگیری عمیق
• 61. شبکه های عصبی کانولوشنال (CNN) - مقدماتی
• 62. شبکه های عصبی بازگشتی (RNN) - مقدماتی
• 63. کاربرد R در تحلیل سری های زمانی
• 64. مدل های ARIMA برای سری های زمانی
• 65. پیش بینی سری های زمانی
• 66. مقدمه ای بر سیستم های توصیه گر
• 67. فیلترینگ همکار (Collaborative Filtering)
• 68. فیلترینگ محتوا (Content-based Filtering)
• 69. ارزیابی سیستم های توصیه گر
• 70. مقدمه ای بر یادگیری تقویتی
• 71. مفاهیم پایه یادگیری تقویتی
• 72. کاربرد R در تجزیه و تحلیل کسب و کار
• 73. شاخص های کلیدی عملکرد (KPI)
• 74. تحلیل سبد خرید (Market Basket Analysis)
• 75. مقدمه ای بر علم داده در سلامت
• 76. تحلیل داده های پزشکی با R
• 77. مقدمه ای بر علم داده در امور مالی
• 78. تحلیل داده های مالی با R
• 79. مقدمه ای بر علم داده در بازاریابی
• 80. تحلیل داده های بازاریابی با R
• 81. مقدمه ای بر بهینه سازی
• 82. الگوریتم های ژنتیک - مقدماتی
• 83. مقدمه ای بر مدیریت کلان داده (Big Data)
• 84. کار با Apache Spark و R
• 85. مقدمه ای بر اخلاق در علم داده
• 86. حریم خصوصی و امنیت داده ها
• 87. تکنیک های مصورسازی پیشرفته
• 88. کاربرد R در تحلیل شبکه های اجتماعی
• 89. تحلیل احساسات (Sentiment Analysis)
• 90. مقدمه ای بر یادگیری انتقالی (Transfer Learning)
• 91. کتابخانه های پیشرفته R برای یادگیری ماشین
• 92. تکنیک های تنظیم فراپارامتر (Hyperparameter Tuning)
• 93. ساخت داشبوردهای تعاملی با R (Shiny)
• 94. استقرار مدل های یادگیری ماشین
• 95. جمع بندی و مسیرهای آینده در علم داده
• 96. پروژه پایانی: تحلیل داده و یادگیری ماشین کاربردی
• 97. ارائه نتایج پروژه پایانی
• 98. راهنمای منابع بیشتر و یادگیری مداوم