فلش‌کارت‌های آموزشی راهنمای جامع تحلیل آماری و بصری‌سازی داده با JMP

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع تحلیل آماری و بصری‌سازی داده با JMP

موضوع کلی: تحلیل داده و بصری‌سازی آماری

موضوع میانی: مقدمه‌ای بر نرم‌افزار JMP برای تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و اهمیت آن
• 2. آشنایی با نرم‌افزار JMP
• 3. نصب و راه‌اندازی JMP
• 4. مروری بر محیط کاربری JMP
• 5. بارگذاری داده‌ها در JMP
• 6. انواع ساختارهای داده در JMP
• 7. پاکسازی و پیش‌پردازش داده‌ها
• 8. مدیریت داده‌های گمشده
• 9. تبدیل متغیرها
• 10. انواع نمودارهای آماری
• 11. نمودار پراکندگی (Scatterplot)
• 12. نمودار میله‌ای (Bar Chart)
• 13. نمودار دایره‌ای (Pie Chart)
• 14. نمودار هیستوگرام (Histogram)
• 15. نمودار جعبه‌ای (Box Plot)
• 16. نمودار سری زمانی (Time Series Plot)
• 17. نمودار نقشه‌ای (Map Plot)
• 18. نمودار سه‌بعدی (3D Scatterplot)
• 19. ایجاد نمودارهای سفارشی
• 20. تنظیمات و سفارشی‌سازی نمودارها
• 21. مقدمه‌ای بر آمار توصیفی
• 22. شاخص‌های مرکزی (میانگین، میانه، نما)
• 23. شاخص‌های پراکندگی (واریانس، انحراف معیار، دامنه)
• 24. صدک‌ها و چارک‌ها
• 25. توزیع فراوانی
• 26. مقدمه‌ای بر آزمون فرض آماری
• 27. مفهوم فرضیه صفر و فرضیه جایگزین
• 28. خطای نوع اول و نوع دوم
• 29. سطح معنی‌داری (Alpha Level)
• 30. آزمون t تک‌نمونه‌ای (One-Sample t-Test)
• 31. آزمون t دو‌نمونه‌ای مستقل (Independent Samples t-Test)
• 32. آزمون t زوجی (Paired t-Test)
• 33. تحلیل واریانس یک‌طرفه (One-Way ANOVA)
• 34. تحلیل واریانس دو‌طرفه (Two-Way ANOVA)
• 35. آزمون کای‌دو (Chi-Squared Test)
• 36. همبستگی (Correlation)
• 37. ضریب همبستگی پیرسون
• 38. ضریب همبستگی اسپیرمن
• 39. رگرسیون خطی ساده (Simple Linear Regression)
• 40. تفسیر ضرایب رگرسیون
• 41. ارزیابی مدل رگرسیون
• 42. پیش‌بینی با مدل رگرسیون
• 43. رگرسیون خطی چندگانه (Multiple Linear Regression)
• 44. انتخاب متغیر در رگرسیون
• 45. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 46. رگرسیون لجستیک (Logistic Regression)
• 47. تحلیل بقا (Survival Analysis)
• 48. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 49. روش K-Means Clustering
• 50. تحلیل عاملی (Factor Analysis)
• 51. مقدمه‌ای بر تحلیل مؤلفه‌های اصلی (PCA)
• 52. تجزیه و تحلیل سری‌های زمانی (Time Series Analysis)
• 53. مدل‌های ARIMA
• 54. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 55. درخت تصمیم (Decision Trees)
• 56. جنگل تصادفی (Random Forests)
• 57. ماشین بردار پشتیبان (Support Vector Machines - SVM)
• 58. شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)
• 59. یادگیری عمیق (Deep Learning)
• 60. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 61. ارزیابی مدل‌های یادگیری ماشین
• 62. معیارهای ارزیابی (دقت، صحت، بازیابی)
• 63. اعتبارسنجی متقابل (Cross-Validation)
• 64. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 65. بصری‌سازی پیشرفته داده‌ها
• 66. داشبوردهای تعاملی در JMP
• 67. ایجاد گزارش‌های پویا
• 68. کار با داده‌های حجیم (Big Data)
• 69. اتصال به پایگاه‌های داده
• 70. استفاده از افزونه‌ها و اسکریپت‌نویسی در JMP
• 71. اتوماسیون فرآیندهای تحلیل
• 72. کار با داده‌های مکانی (Spatial Data)
• 73. مقدمه‌ای بر تحلیل شبکه (Network Analysis)
• 74. کاربرد JMP در حوزه‌های مختلف (صنعت، پزشکی، مالی)
• 75. مطالعه موردی: تحلیل داده‌های تولید
• 76. مطالعه موردی: تحلیل داده‌های بالینی
• 77. مطالعه موردی: تحلیل داده‌های بازاریابی
• 78. مطالعه موردی: تحلیل داده‌های مالی
• 79. بهینه‌سازی فرآیند با JMP
• 80. کنترل کیفیت آماری (Statistical Quality Control)
• 81. نمودارهای کنترلی (Control Charts)
• 82. طراحی آزمایش‌ها (Design of Experiments - DOE)
• 83. مقدمه‌ای بر روش‌های نمونه‌گیری
• 84. تحلیل داده‌های نامتعادل
• 85. کار با داده‌های متنی (Text Mining)
• 86. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 87. بصری‌سازی نتایج NLP
• 88. کار با داده‌های تصویری (Image Analysis)
• 89. مقدمه‌ای بر بینایی ماشین (Machine Vision)
• 90. کاربرد JMP در پژوهش‌های علمی
• 91. اخلاق در تحلیل داده‌ها
• 92. حفظ حریم خصوصی داده‌ها
• 93. ملاحظات امنیتی در تحلیل داده‌ها
• 94. آینده تحلیل داده و بصری‌سازی
• 95. مروری بر پیشرفت‌های اخیر
• 96. منابع بیشتر برای یادگیری
• 97. کارگاه عملی: تحلیل یک مجموعه داده واقعی
• 98. تمرین‌های پیشرفته در JMP
• 99. پروژه نهایی: تحلیل و بصری‌سازی یک مسئله کاربردی
• 100. ارائه نتایج پروژه