فلش‌کارت‌های آموزشی مبانی برنامه‌نویسی با زبان R برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی برنامه‌نویسی با زبان R برای تحلیل داده

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: برنامه‌نویسی و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و زبان R
• 2. نصب و راه‌اندازی محیط R و RStudio
• 3. مفاهیم پایه در R: متغیرها و انواع داده
• 4. بردارها در R: ایجاد و عملیات مقدماتی
• 5. ماتریس‌ها در R: ساختار و محاسبات
• 6. آرایه‌ها در R: ابعاد و دسترسی
• 7. فهرست‌ها در R: ساختار داده‌های ناهمگن
• 8. دیتا فریم‌ها در R: ساختار جدولی داده‌ها
• 9. عملیات پایه‌ای بر روی دیتا فریم‌ها
• 10. خواندن و نوشتن داده‌ها از فایل‌های CSV
• 11. خواندن و نوشتن داده‌ها از فایل‌های اکسل
• 12. کار با فایل‌های متنی ساده
• 13. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 14. اتصال به پایگاه داده در R
• 15. پرس‌وجو از پایگاه داده با SQL در R
• 16. پاکسازی داده‌ها: مدیریت مقادیر گمشده
• 17. شناسایی و حذف داده‌های پرت
• 18. استانداردسازی و نرمال‌سازی داده‌ها
• 19. تبدیل انواع داده‌ها
• 20. اعمال شرطی در R: دستور if-else
• 21. حلقه‌های تکرار: for loop
• 22. حلقه‌های تکرار: while loop
• 23. توابع در R: تعریف و فراخوانی
• 24. پارامترهای توابع و مقادیر پیش‌فرض
• 25. دامنه متغیرها در R
• 26. مقدمه‌ای بر گرافیک در R
• 27. رسم نمودار پراکندگی (Scatter Plot)
• 28. رسم نمودار میله‌ای (Bar Plot)
• 29. رسم نمودار خطی (Line Plot)
• 30. رسم نمودار دایره‌ای (Pie Chart)
• 31. رسم هیستوگرام (Histogram)
• 32. رسم جعبه‌نمودار (Box Plot)
• 33. تنظیمات پیشرفته نمودارها
• 34. مقدمه‌ای بر تحلیل آماری در R
• 35. آمار توصیفی: میانگین، میانه، نما
• 36. آمار توصیفی: واریانس و انحراف معیار
• 37. محاسبه کوواریانس و همبستگی
• 38. آزمون t تک‌نمونه‌ای (One-Sample t-test)
• 39. آزمون t دو‌نمونه‌ای مستقل (Independent Samples t-test)
• 40. آزمون t زوجی (Paired Samples t-test)
• 41. آزمون تحلیل واریانس یک‌طرفه (One-way ANOVA)
• 42. مقدمه‌ای بر مدل‌سازی خطی
• 43. رگرسیون خطی ساده
• 44. تفسیر نتایج رگرسیون خطی ساده
• 45. رگرسیون خطی چندگانه
• 46. انتخاب مدل رگرسیون
• 47. مقدمه‌ای بر یادگیری ماشین
• 48. یادگیری بدون نظارت
• 49. خوشه‌بندی K-Means
• 50. تفسیر نتایج خوشه‌بندی
• 51. یادگیری با نظارت
• 52. طبقه‌بندی (Classification)
• 53. مقدمه‌ای بر الگوریتم درخت تصمیم
• 54. ساخت و ارزیابی درخت تصمیم
• 55. مقدمه‌ای بر الگوریتم رگرسیون لجستیک
• 56. ساخت و ارزیابی مدل رگرسیون لجستیک
• 57. مقدمه‌ای بر مفاهیم پایه یادگیری عمیق
• 58. شبکه‌های عصبی مصنوعی
• 59. کاربرد شبکه‌های عصبی در تحلیل داده
• 60. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 61. پاکسازی و پیش‌پردازش متن
• 62. تبدیل متن به بردار (Bag-of-Words, TF-IDF)
• 63. تحلیل احساسات (Sentiment Analysis)
• 64. مقدمه‌ای بر تحلیل سری‌های زمانی
• 65. شناسایی روند و فصلی بودن
• 66. مدل‌های ARIMA
• 67. پیش‌بینی با استفاده از سری‌های زمانی
• 68. مقدمه‌ای بر ابزارهای گزارش‌دهی در R
• 69. ساخت گزارش‌های تعاملی با R Markdown
• 70. استفاده از Shiny برای ساخت داشبوردهای وب
• 71. مقدمه‌ای بر بهینه‌سازی کد در R
• 72. بهینه‌سازی مصرف حافظه
• 73. بهینه‌سازی سرعت اجرا
• 74. استفاده از بسته‌های موازی‌سازی
• 75. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 76. ایجاد ویژگی‌های جدید از داده‌های موجود
• 77. انتخاب ویژگی‌های مهم
• 78. مقدمه‌ای بر ارزیابی مدل‌ها
• 79. معیارهای ارزیابی مدل‌های رگرسیون
• 80. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 81. مقدمه‌ای بر مفاهیم اخلاق در علم داده
• 82. حفظ حریم خصوصی داده‌ها
• 83. سوگیری در الگوریتم‌ها و داده‌ها
• 84. مسئولیت‌پذیری در تحلیل داده
• 85. مقدمه‌ای بر ابزارهای مدیریت پروژه در R
• 86. سیستم‌های کنترل نسخه (Git)
• 87. کار با RStudio Projects
• 88. مقدمه‌ای بر بسته‌های پرکاربرد R
• 89. بسته dplyr برای دستکاری داده‌ها
• 90. بسته tidyr برای مرتب‌سازی داده‌ها
• 91. بسته ggplot2 برای بصری‌سازی پیشرفته
• 92. بسته caret برای مدل‌سازی و ارزیابی
• 93. بسته Shiny برای برنامه‌های وب تعاملی
• 94. کار با داده‌های مکانی در R
• 95. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 96. تجسم شبکه‌ها
• 97. تحلیل معیارهای مرکزی بودن
• 98. مقدمه‌ای بر تحلیل داده‌های تصویری
• 99. بارگذاری و پردازش تصاویر
• 100. استخراج ویژگی از تصاویر