فلش‌کارت‌های آموزشی مبانی تحلیل آماری و کاربردهای آن در R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل آماری و کاربردهای آن در R

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: تحلیل آماری با زبان برنامه‌نویسی R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل آماری
• 2. آشنایی با زبان برنامه‌نویسی R
• 3. نصب و پیکربندی R و RStudio
• 4. مفاهیم پایه در R: متغیرها، انواع داده و ساختارها
• 5. عملیات پایه با بردارها و ماتریس‌ها در R
• 6. کار با داده‌های جدولی: دیتافریم‌ها در R
• 7. مرور داده‌ها و خلاصه‌های آماری اولیه
• 8. مصورسازی داده‌ها در R: نمودارهای پایه‌ای
• 9. مقدمه‌ای بر آمار توصیفی
• 10. میانگین، میانه و مد
• 11. واریانس، انحراف معیار و دامنه
• 12. صدک‌ها و چارک‌ها
• 13. توزیع‌های فراوانی و هیستوگرام
• 14. نمودارهای جعبه‌ای (Box Plots)
• 15. نمودارهای پراکندگی (Scatter Plots)
• 16. نمودارهای میله‌ای (Bar Charts)
• 17. نمودارهای خطی (Line Charts)
• 18. نمودارهای دایره‌ای (Pie Charts)
• 19. مقدمه‌ای بر آمار استنباطی
• 20. مفهوم نمونه و جامعه آماری
• 21. توزیع‌های احتمالی
• 22. توزیع نرمال
• 23. قضیه حد مرکزی
• 24. خطای استاندارد
• 25. بازه اطمینان
• 26. آزمون فرض آماری
• 27. مفهوم p-value
• 28. آزمون t تک‌نمونه‌ای
• 29. آزمون t دو‌نمونه‌ای مستقل
• 30. آزمون t زوجی
• 31. تحلیل واریانس یک‌طرفه (ANOVA)
• 32. آزمون‌های ناپارامتری: آزمون ویلکاکسون
• 33. آزمون من-ویتنی یو
• 34. آزمون کروسکال-والیس
• 35. آزمون کای‌دو (Chi-squared) برای استقلال
• 36. آزمون کای‌دو برای برازش
• 37. رگرسیون خطی ساده
• 38. مفهوم رگرسیون و همبستگی
• 39. تخمین پارامترهای رگرسیون
• 40. آزمون فرض برای ضرایب رگرسیون
• 41. فاصله اطمینان برای ضرایب رگرسیون
• 42. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 43. رگرسیون لجستیک
• 44. کاربرد رگرسیون لجستیک در طبقه‌بندی
• 45. تحلیل سری‌های زمانی: مقدمه
• 46. مفاهیم پایه در تحلیل سری‌های زمانی
• 47. نمایش گرافیکی سری‌های زمانی
• 48. شناسایی روند و فصلی بودن
• 49. مدل‌های ARIMA: مقدمه
• 50. فصل‌بندی و خودهمبستگی (ACF)
• 51. خودهمبستگی جزئی (PACF)
• 52. انتخاب مرتبه مدل ARIMA
• 53. برآورد پارامترهای مدل ARIMA
• 54. تشخیص برازش مدل ARIMA
• 55. پیش‌بینی با مدل‌های ARIMA
• 56. مقدمه‌ای بر یادگیری ماشین در R
• 57. یادگیری نظارت شده و بدون نظارت
• 58. طبقه‌بندی: الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 59. طبقه‌بندی: درخت تصمیم (Decision Trees)
• 60. طبقه‌بندی: ماشین بردار پشتیبان (SVM)
• 61. طبقه‌بندی: الگوریتم Naive Bayes
• 62. رگرسیون: درخت تصمیم برای رگرسیون
• 63. رگرسیون: الگوریتم K-نزدیک‌ترین همسایه برای رگرسیون
• 64. خوشه‌بندی: الگوریتم K-Means
• 65. خوشه‌بندی: خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 66. ارزیابی مدل‌های طبقه‌بندی
• 67. ماتریس درهم‌ریختگی (Confusion Matrix)
• 68. دقت، حساسیت و ویژگی
• 69. منحنی ROC و AUC
• 70. ارزیابی مدل‌های رگرسیون
• 71. خطای میانگین مربعات (MSE)
• 72. ریشه خطای میانگین مربعات (RMSE)
• 73. ضریب تعیین (R-squared)
• 74. مقدمه‌ای بر تحلیل داده‌های بزرگ
• 75. مفاهیم اولیه کار با داده‌های حجیم
• 76. ابزارهای کار با داده‌های حجیم در R
• 77. مقدمه‌ای بر آماره بیزی
• 78. قضیه بیز
• 79. توزیع پیشین و پسین
• 80. برآورد پارامترها در آمار بیزی
• 81. مقدمه‌ای بر تحلیل عاملی و تحلیل مؤلفه‌های اصلی (PCA)
• 82. کاربرد PCA در کاهش ابعاد داده
• 83. کاربرد تحلیل عاملی در شناسایی عوامل پنهان
• 84. مقدمه‌ای بر شبکه‌های عصبی و یادگیری عمیق
• 85. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 86. مقدمه‌ای بر پردازش زبان طبیعی (NLP) با R
• 87. تحلیل احساسات متون
• 88. مقدمه‌ای بر تحلیل داده‌های مکانی
• 89. مصورسازی داده‌های مکانی در R
• 90. مقدمه‌ای بر تحلیل بقا
• 91. توابع بقا و خطر
• 92. مدل کاکس (Cox Proportional Hazards Model)
• 93. مقدمه‌ای بر شبیه‌سازی مونت کارلو
• 94. کاربرد شبیه‌سازی در تحلیل آماری
• 95. نکات پیشرفته در برنامه‌نویسی R
• 96. بهینه‌سازی کد در R
• 97. کاربرد بسته‌های آماری پیشرفته در R
• 98. پروژه‌های عملی تحلیل آماری با R
• 99. تحلیل داده‌های مالی با R
• 100. تحلیل داده‌های بازاریابی با R