فلش‌کارت‌های آموزشی تحلیل داده‌های آماری و مدل‌سازی پیش‌بین با R: از مقدماتی تا پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های آماری و مدل‌سازی پیش‌بین با R: از مقدماتی تا پیشرفته

موضوع کلی: علوم داده و آمار

موضوع میانی: تحلیل آماری و مدل‌سازی پیش‌بین با استفاده از نرم‌افزار R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و آمار
• 2. آشنایی با محیط نرم‌افزار R
• 3. نصب و راه‌اندازی R و RStudio
• 4. انواع داده‌ها در R
• 5. مقدمه‌ای بر ساختارهای داده در R
• 6. بردارهای عددی و منطقی
• 7. ماتریس‌ها و آرایه‌ها
• 8. فهرست‌ها و چارچوب‌های داده
• 9. ورود و خروج داده‌ها در R
• 10. بارگذاری داده‌ها از فایل‌های CSV
• 11. بارگذاری داده‌ها از فایل‌های Excel
• 12. پاکسازی داده‌های پرت و ناقص
• 13. مدیریت متغیرهای گمشده
• 14. تبدیل و بازسازی داده‌ها
• 15. آمارهای توصیفی پایه
• 16. محاسبه میانگین، میانه و نما
• 17. واریانس، انحراف معیار و دامنه
• 18. درصدها و کوانتیل‌ها
• 19. نمودارهای توصیفی
• 20. هیستوگرام و نمودار چگالی
• 21. نمودار جعبه‌ای (Box Plot)
• 22. نمودار پراکندگی (Scatter Plot)
• 23. نمودارهای میله‌ای و دایره‌ای
• 24. مقدمه‌ای بر استنباط آماری
• 25. مفهوم نمونه و جامعه
• 26. خطای نمونه‌گیری و فواصل اطمینان
• 27. آزمون فرض آماری
• 28. آزمون t تک‌نمونه‌ای
• 29. آزمون t دو‌نمونه‌ای مستقل
• 30. آزمون t زوجی
• 31. آزمون تحلیل واریانس (ANOVA) یک‌طرفه
• 32. آزمون کای-دو برای استقلال
• 33. رگرسیون خطی ساده
• 34. مفاهیم رگرسیون
• 35. برازش مدل رگرسیون
• 36. تفسیر ضرایب رگرسیون
• 37. ارزیابی مدل رگرسیون
• 38. مانایی مدل رگرسیون
• 39. پیش‌بینی با مدل رگرسیون
• 40. رگرسیون خطی چندگانه
• 41. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 42. رگرسیون لجستیک
• 43. مفاهیم رگرسیون لجستیک
• 44. برازش و تفسیر مدل رگرسیون لجستیک
• 45. ارزیابی مدل رگرسیون لجستیک
• 46. پیش‌بینی با رگرسیون لجستیک
• 47. مقدمه‌ای بر مدل‌های سری زمانی
• 48. مفاهیم پایه سری زمانی
• 49. شناسایی روند و فصلیت
• 50. مدل‌های ARIMA
• 51. برازش مدل‌های ARIMA
• 52. پیش‌بینی با مدل‌های ARIMA
• 53. مقدمه‌ای بر یادگیری ماشین
• 54. دسته‌بندی و رگرسیون
• 55. الگوریتم‌های یادگیری نظارت شده
• 56. درخت تصمیم
• 57. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 58. ماشین بردار پشتیبان (SVM)
• 59. الگوریتم‌های یادگیری بدون نظارت
• 60. خوشه‌بندی (Clustering)
• 61. الگوریتم K-Means
• 62. کاهش ابعاد
• 63. تحلیل مؤلفه‌های اصلی (PCA)
• 64. ارزیابی مدل‌های یادگیری ماشین
• 65. اعتبارسنجی متقابل (Cross-validation)
• 66. متریک‌های ارزیابی دسته‌بندی
• 67. متریک‌های ارزیابی رگرسیون
• 68. مقدمه‌ای بر تحلیل آماری پیشرفته
• 69. مدل‌های خطی مختلط (Mixed-effects models)
• 70. مقدمه‌ای بر مدل‌های احتمالی گرافیکی
• 71. شبکه‌های بیزی (Bayesian Networks)
• 72. مقدمه‌ای بر تحلیل بقا
• 73. منحنی کاپلان-مایر
• 74. مدل‌های نسبت خطر کاکس (Cox Proportional Hazards)
• 75. تجزیه و تحلیل خوشه‌ها (Cluster Analysis)
• 76. تحلیل عاملی (Factor Analysis)
• 77. تحلیل ساختار عاملی (Confirmatory Factor Analysis)
• 78. مقدمه‌ای بر تحلیل داده‌های متنی
• 79. پیش‌پردازش متن
• 80. مدل‌سازی موضوعی (Topic Modeling)
• 81. تحلیل احساسات (Sentiment Analysis)
• 82. مقدمه‌ای بر تحلیل داده‌های مکانی
• 83. مدل‌سازی داده‌های مکانی
• 84. تجسم داده‌های مکانی
• 85. مقدمه‌ای بر بهینه‌سازی
• 86. الگوریتم‌های بهینه‌سازی
• 87. کاربرد بهینه‌سازی در علوم داده
• 88. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 89. ساختار شبکه‌های عصبی
• 90. شبکه‌های عصبی کانولوشنی (CNN)
• 91. شبکه‌های عصبی بازگشتی (RNN)
• 92. کاربرد یادگیری عمیق در علوم داده
• 93. مقدمه‌ای بر اخلاق در علوم داده
• 94. حریم خصوصی داده‌ها
• 95. سوگیری در الگوریتم‌ها
• 96. مسئولیت‌پذیری در علوم داده
• 97. کاربرد علوم داده در حوزه‌های مختلف
• 98. تحلیل داده‌های مالی
• 99. تحلیل داده‌های پزشکی
• 100. تحلیل داده‌های بازاریابی