فلش‌کارت‌های آموزشی مقدمه‌ای بر تحلیل داده با R: از مفاهیم پایه تا کاربردهای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر تحلیل داده با R: از مفاهیم پایه تا کاربردهای عملی

موضوع کلی: علوم کامپیوتر و داده‌کاوی

موضوع میانی: تحلیل داده با زبان برنامه‌نویسی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و علم داده
• 2. آشنایی با زبان برنامه‌نویسی R
• 3. نصب و راه‌اندازی R و RStudio
• 4. مبانی زبان R: متغیرها، انواع داده و ساختارها
• 5. بردارها و ماتریس‌ها در R
• 6. فهرست‌ها و داده‌فریم‌ها در R
• 7. دستورات شرطی و حلقه‌ها در R
• 8. توابع در R: تعریف و استفاده
• 9. مقدمه‌ای بر بسته‌های R
• 10. نصب و بارگذاری بسته‌های R
• 11. کار با داده‌های متنی (Character Data)
• 12. کار با داده‌های منطقی (Logical Data)
• 13. کار با داده‌های عددی (Numeric Data)
• 14. کار با تاریخ و زمان در R
• 15. مدیریت داده‌های گمشده (Missing Data)
• 16. بارگذاری داده‌ها از فایل‌های CSV
• 17. بارگذاری داده‌ها از فایل‌های Excel
• 18. اتصال به پایگاه‌های داده (SQL)
• 19. مقدمه‌ای بر پاکسازی داده‌ها
• 20. شناسایی و مدیریت داده‌های پرت (Outliers)
• 21. تبدیل داده‌ها و مهندسی ویژگی
• 22. رسم نمودارهای پایه در R
• 23. نمودار میله‌ای (Bar Plot)
• 24. نمودار هیستوگرام (Histogram)
• 25. نمودار جعبه‌ای (Box Plot)
• 26. نمودار پراکندگی (Scatter Plot)
• 27. نمودار خطی (Line Plot)
• 28. نمودار دایره‌ای (Pie Chart)
• 29. مقدمه‌ای بر کتابخانه ggplot2
• 30. رسم نمودارهای پیچیده‌تر با ggplot2
• 31. لایه‌ها در ggplot2
• 32. مقیاس‌ها و رنگ‌ها در ggplot2
• 33. ویرایش ظاهر نمودارها
• 34. آمار توصیفی پایه
• 35. میانگین، میانه و مد
• 36. واریانس و انحراف معیار
• 37. چارک‌ها و دامنه بین چارکی
• 38. همبستگی و کوواریانس
• 39. مقدمه‌ای بر آزمون فرض آماری
• 40. آزمون t تک‌نمونه‌ای
• 41. آزمون t دو نمونه‌ای مستقل
• 42. آزمون t زوجی
• 43. آزمون تحلیل واریانس (ANOVA) یک‌طرفه
• 44. آزمون کای‌دو (Chi-squared Test)
• 45. رگرسیون خطی ساده
• 46. مفسر کردن ضرایب رگرسیون
• 47. ارزیابی مدل رگرسیون خطی ساده
• 48. رگرسیون خطی چندگانه
• 49. انتخاب متغیر در رگرسیون
• 50. مقدمه‌ای بر طبقه‌بندی (Classification)
• 51. مدل رگرسیون لجستیک
• 52. ارزیابی مدل رگرسیون لجستیک
• 53. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 54. الگوریتم K-Means
• 55. ارزیابی نتایج خوشه‌بندی
• 56. مقدمه‌ای بر کاهش ابعاد
• 57. تحلیل مولفه‌های اصلی (PCA)
• 58. تفسیر مولفه‌های اصلی
• 59. مقدمه‌ای بر تحلیل سری‌های زمانی
• 60. شناسایی روند و فصلی بودن
• 61. مدل‌های ARIMA پایه
• 62. پیش‌بینی با مدل‌های سری زمانی
• 63. مقدمه‌ای بر یادگیری ماشین
• 64. کاربرد تحلیل داده در حوزه سلامت
• 65. کاربرد تحلیل داده در حوزه مالی
• 66. کاربرد تحلیل داده در حوزه بازاریابی
• 67. کاربرد تحلیل داده در حوزه دولتی
• 68. کاربرد تحلیل داده در حوزه صنعت
• 69. کاربرد تحلیل داده در حوزه آموزش
• 70. مقدمه‌ای بر اخلاق در علم داده
• 71. حریم خصوصی داده‌ها
• 72. امنیت داده‌ها
• 73. استفاده مسئولانه از داده‌ها
• 74. استانداردهای گزارش‌دهی نتایج تحلیل
• 75. ارائه نتایج تحلیل به ذینفعان
• 76. تکنیک‌های مصورسازی پیشرفته
• 77. کاربرد R در هوش تجاری
• 78. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 79. کاربرد R در پردازش زبان طبیعی
• 80. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 81. قوانین وابستگی (Association Rules)
• 82. شناسایی الگوهای پرتکرار
• 83. کاربرد R در تحلیل شبکه‌های اجتماعی
• 84. مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 85. تحلیل داده‌های جغرافیایی با R
• 86. مقدمه‌ای بر کار با داده‌های بزرگ (Big Data)
• 87. مقدمه‌ای بر ابزارهای مدیریت داده‌های بزرگ
• 88. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 89. کاربرد R در حوزه رباتیک
• 90. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 91. ساخت داشبوردهای تعاملی با R
• 92. مقدمه‌ای بر تحلیل آماری پیشرفته
• 93. مقدمه‌ای بر آزمون‌های ناپارامتری
• 94. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 95. مقدمه‌ای بر بهینه‌سازی (Optimization)
• 96. کاربرد R در بهینه‌سازی مسائل
• 97. جمع‌بندی و نگاه به آینده تحلیل داده با R