فلش‌کارت‌های آموزشی مبانی تحلیل داده و برنامه‌نویسی با R برای تحلیل آماری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل داده و برنامه‌نویسی با R برای تحلیل آماری

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: تحلیل داده با زبان برنامه‌نویسی R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن
• 2. مبانی تحلیل آماری و مفاهیم کلیدی
• 3. آشنایی با زبان برنامه‌نویسی R
• 4. نصب و پیکربندی R و RStudio
• 5. ساختار داده‌ها در R: وکتورها و ماتریس‌ها
• 6. کار با داده‌فریم‌ها در R
• 7. مقدمه‌ای بر بسته‌های R و نصب آن‌ها
• 8. استفاده از بسته‌های پایه برای تحلیل داده
• 9. مفاهیم اولیه گرافیکی در R
• 10. رسم نمودارهای ساده: هیستوگرام و نمودار پراکندگی
• 11. آمار توصیفی در R: میانگین، میانه، واریانس
• 12. توزیع‌های آماری و کاربرد آن‌ها
• 13. آزمون‌های فرض آماری مقدماتی
• 14. آزمون t تک‌نمونه‌ای در R
• 15. آزمون t دو‌نمونه‌ای مستقل در R
• 16. آزمون t دو‌نمونه‌ای زوجی در R
• 17. تحلیل واریانس یک‌طرفه (ANOVA) در R
• 18. آزمون کای‌دو (Chi-squared) برای استقلال
• 19. همبستگی خطی پیرسون در R
• 20. رگرسیون خطی ساده در R
• 21. تفسیر نتایج رگرسیون خطی ساده
• 22. پیش‌بینی با مدل رگرسیون خطی
• 23. مقدمه‌ای بر رگرسیون خطی چندگانه
• 24. انتخاب متغیر در مدل‌های رگرسیون
• 25. ارزیابی مدل رگرسیون خطی
• 26. مقدمه‌ای بر تحلیل سری‌های زمانی
• 27. نمودارهای سری زمانی در R
• 28. مفاهیم اولیه خوشه‌بندی
• 29. الگوریتم K-Means در R
• 30. ارزیابی نتایج خوشه‌بندی
• 31. مقدمه‌ای بر تحلیل عاملی
• 32. تحلیل عاملی اکتشافی در R
• 33. مقدمه‌ای بر تحلیل مؤلفه‌های اصلی (PCA)
• 34. اجرای PCA در R
• 35. تفسیر نتایج PCA
• 36. مقدمه‌ای بر تحلیل بقا
• 37. مدل کاکس در R
• 38. مقدمه‌ای بر روش‌های نمونه‌گیری
• 39. نمونه‌گیری تصادفی ساده در R
• 40. نمونه‌گیری طبقه‌بندی شده در R
• 41. نمونه‌گیری خوشه‌ای در R
• 42. مقدمه‌ای بر آمار ناپارامتری
• 43. آزمون ویلکاکسون در R
• 44. آزمون مان-ویتنی در R
• 45. آزمون کروسکال-والیس در R
• 46. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 47. رگرسیون لجستیک در R
• 48. تفسیر نتایج رگرسیون لجستیک
• 49. مدل پواسون در R
• 50. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 51. مقدمه‌ای بر یادگیری ماشین
• 52. انواع الگوریتم‌های یادگیری ماشین
• 53. آماده‌سازی داده‌ها برای یادگیری ماشین
• 54. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 55. ارزیابی مدل‌های یادگیری ماشین
• 56. مقدمه‌ای بر درخت‌های تصمیم
• 57. پیاده‌سازی درخت تصمیم در R
• 58. مقدمه‌ای بر جنگل تصادفی
• 59. پیاده‌سازی جنگل تصادفی در R
• 60. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 61. پیاده‌سازی SVM در R
• 62. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 63. مقدمه‌ای بر یادگیری عمیق
• 64. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 65. مقدمه‌ای بر تحلیل احساسات
• 66. کار با متن در R
• 67. پاکسازی و پیش‌پردازش متن
• 68. مدل‌سازی موضوعی (Topic Modeling)
• 69. مقدمه‌ای بر شبکه‌های اجتماعی
• 70. تحلیل داده‌های شبکه‌های اجتماعی در R
• 71. مقدمه‌ای بر داده‌های مکانی
• 72. کار با داده‌های مکانی در R
• 73. مقدمه‌ای بر مصورسازی داده‌های پیشرفته
• 74. استفاده از ggplot2 برای مصورسازی
• 75. ایجاد داشبوردهای تعاملی در R
• 76. مقدمه‌ای بر گزارش‌دهی آماری
• 77. تولید گزارش‌های خودکار با R Markdown
• 78. مقدمه‌ای بر اصول اخلاق در علم داده
• 79. اهمیت حریم خصوصی داده‌ها
• 80. مسئولیت‌پذیری در تحلیل داده
• 81. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 82. تنظیم فراپارامترها
• 83. اعتبارسنجی متقابل (Cross-validation)
• 84. مقدمه‌ای بر روش‌های کاهش ابعاد
• 85. انتخاب ویژگی (Feature Selection)
• 86. تکنیک‌های مهندسی ویژگی
• 87. مقدمه‌ای بر یادگیری تقویتی
• 88. مقدمه‌ای بر یادگیری بدون نظارت
• 89. مقدمه‌ای بر یادگیری نیمه‌نظارتی
• 90. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 91. ابزارهای تحلیل داده‌های حجیم
• 92. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 93. پیاده‌سازی سیستم توصیه‌گر ساده
• 94. مقدمه‌ای بر تحلیل داده‌های مالی
• 95. تحلیل ریسک در داده‌های مالی
• 96. مقدمه‌ای بر تحلیل داده‌های پزشکی
• 97. کاربرد R در تحقیقات پزشکی
• 98. مقدمه‌ای بر تحلیل داده‌های زیستی
• 99. مقدمه‌ای بر هوش تجاری
• 100. ابزارهای هوش تجاری