فلش‌کارت‌های آموزشی مقدمه‌ای بر احتمالات و تحلیل داده با R: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر احتمالات و تحلیل داده با R: مبانی و کاربردها

موضوع کلی: علم داده و آمار کاربردی

موضوع میانی: تحلیل داده و مدل‌سازی آماری با نرم‌افزار R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت آن در ایران
• 2. آشنایی با زبان برنامه‌نویسی R برای تحلیل داده
• 3. نصب و پیکربندی محیط R و RStudio
• 4. مبانی آماری: مفاهیم پایه و تعاریف
• 5. جمع‌آوری و سازماندهی داده‌ها
• 6. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 7. نمایش گرافیکی داده‌ها: نمودارهای میله‌ای و دایره‌ای
• 8. نمودارهای جعبه‌ای و نقش آن در شناسایی داده‌های پرت
• 9. هیستوگرام و توزیع فراوانی داده‌ها
• 10. مقدمه‌ای بر احتمالات: مفاهیم کلیدی
• 11. فضای نمونه و پیشامدها
• 12. قوانین احتمال: جمع و ضرب
• 13. احتمال شرطی و استقلال پیشامدها
• 14. قضیه بیز و کاربردهای آن در استنتاج
• 15. متغیرهای تصادفی گسسته
• 16. توزیع‌های گسسته مهم: برنولی، دوجمله‌ای، پواسون
• 17. متغیرهای تصادفی پیوسته
• 18. توزیع‌های پیوسته مهم: یکنواخت، نمایی
• 19. توزیع نرمال و اهمیت آن در آمار
• 20. کاربرد توزیع نرمال در تحلیل داده‌ها
• 21. روش‌های نمونه‌گیری آماری
• 22. توزیع‌های نمونه‌گیری
• 23. قضیه حد مرکزی و اهمیت آن
• 24. برآورد پارامترهای جامعه: برآورد نقطه‌ای
• 25. برآورد فاصله‌ای: فواصل اطمینان
• 26. محاسبه فواصل اطمینان برای میانگین
• 27. محاسبه فواصل اطمینان برای نسبت
• 28. آزمون فرض آماری: مفاهیم پایه
• 29. مراحل انجام آزمون فرض
• 30. آزمون فرض برای میانگین جامعه (تک نمونه‌ای)
• 31. آزمون فرض برای میانگین جامعه (دو نمونه‌ای مستقل)
• 32. آزمون فرض برای میانگین جامعه (دو نمونه‌ای وابسته)
• 33. آزمون فرض برای نسبت جامعه (تک نمونه‌ای)
• 34. آزمون فرض برای نسبت جامعه (دو نمونه‌ای)
• 35. آزمون کای‌دو برای استقلال و تجانس
• 36. مقدمه‌ای بر رگرسیون خطی ساده
• 37. برآورد ضرایب رگرسیون
• 38. تفسیر ضرایب رگرسیون
• 39. ارزیابی مدل رگرسیون خطی ساده
• 40. پیش‌بینی با مدل رگرسیون خطی ساده
• 41. مقدمه‌ای بر رگرسیون خطی چندگانه
• 42. انتخاب بهترین مدل رگرسیون چندگانه
• 43. تحلیل واریانس (ANOVA) یک‌طرفه
• 44. تفسیر نتایج ANOVA
• 45. تحلیل واریانس (ANOVA) دوطرفه
• 46. مقدمه‌ای بر سری‌های زمانی
• 47. تحلیل روند در سری‌های زمانی
• 48. تحلیل فصلی در سری‌های زمانی
• 49. مدل‌های پیش‌بینی سری‌های زمانی (ARIMA)
• 50. مقدمه‌ای بر تحلیل خوشه‌ای
• 51. الگوریتم K-Means برای خوشه‌بندی
• 52. مقدمه‌ای بر تحلیل عاملی
• 53. کاربرد تحلیل عاملی در کاهش ابعاد
• 54. شبیه‌سازی مونت کارلو در R
• 55. تولید اعداد تصادفی در R
• 56. کاربرد شبیه‌سازی در مسائل احتمالی
• 57. مقدمه‌ای بر روش‌های بیزی در R
• 58. استنتاج بیزی برای پارامترهای ساده
• 59. کاربرد یادگیری ماشین در علم داده
• 60. مقدمه‌ای بر طبقه‌بندی
• 61. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 62. درخت‌های تصمیم برای طبقه‌بندی
• 63. مقدمه‌ای بر رگرسیون لجستیک
• 64. ارزیابی مدل‌های طبقه‌بندی
• 65. مقدمه‌ای بر یادگیری تقویتی
• 66. کاربردهای علم داده در اقتصاد ایران
• 67. تحلیل داده‌های آماری رسمی کشور
• 68. استفاده از R در پروژه‌های پژوهشی دانشگاهی
• 69. مقدمه‌ای بر داده‌کاوی و کشف الگو
• 70. قوانین وابستگی و کاربرد آن در فروشگاه‌ها
• 71. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 72. تحلیل احساسات متن با R
• 73. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 74. تحلیل ساختار شبکه با R
• 75. کاربرد علم داده در حوزه سلامت
• 76. تحلیل داده‌های اپیدمیولوژیک
• 77. کاربرد علم داده در حوزه صنعت
• 78. بهینه‌سازی فرآیندهای تولید با R
• 79. مقدمه‌ای بر مصورسازی پیشرفته داده‌ها
• 80. داشبوردهای تعاملی با Shiny در R
• 81. اخلاق در علم داده و حفظ حریم خصوصی
• 82. مسئولیت‌پذیری در تحلیل داده‌ها
• 83. نکات پایانی و جمع‌بندی آموخته‌ها
• 84. مسیرهای یادگیری پیشرفته در علم داده
• 85. کارگاه عملی: تحلیل داده‌های واقعی با R
• 86. پروژه نهایی: تحلیل یک مجموعه داده کاربردی
• 87. ارائه پروژه نهایی و بحث و تبادل نظر
• 88. مرور مفاهیم کلیدی و رفع اشکال
• 89. آشنایی با منابع معتبر فارسی در علم داده
• 90. ارتباط علم داده با هوش مصنوعی و یادگیری ماشین
• 91. آینده علم داده و نقش آن در جامعه
• 92. جمع‌بندی و گام‌های بعدی در مسیر یادگیری