فلش‌کارت‌های آموزشی مبانی و روش‌های آماری در تحلیل داده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و روش‌های آماری در تحلیل داده‌ها

موضوع کلی: علوم داده و آمار کاربردی

موضوع میانی: روش‌های آماری در علوم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و آمار
• 2. مفاهیم پایه آمار توصیفی
• 3. نمودارهای آماری و تفسیر آن‌ها
• 4. محاسبه شاخص‌های مرکزی داده‌ها
• 5. محاسبه شاخص‌های پراکندگی داده‌ها
• 6. مقدمه‌ای بر آمار استنباطی
• 7. مفاهیم نمونه‌گیری و جامعه آماری
• 8. احتمالات در علوم داده
• 9. قوانین احتمالات و قضیه بیز
• 10. متغیرهای تصادفی و توزیع‌های احتمالی
• 11. توزیع نرمال و خواص آن
• 12. توزیع‌های دوجمله‌ای و پواسون
• 13. مقدمه‌ای بر آزمون فرض آماری
• 14. مفاهیم خطای نوع اول و دوم
• 15. آزمون فرض برای میانگین جامعه
• 16. آزمون فرض برای نسبت جامعه
• 17. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 18. ANOVA یک‌طرفه و کاربردهای آن
• 19. مقدمه‌ای بر رگرسیون خطی ساده
• 20. تخمین پارامترهای رگرسیون خطی
• 21. آزمون فرض در مدل رگرسیون خطی
• 22. تفسیر ضرایب رگرسیون خطی
• 23. مقدمه‌ای بر رگرسیون خطی چندگانه
• 24. انتخاب متغیر در مدل‌های رگرسیون
• 25. مقدمه‌ای بر سری‌های زمانی
• 26. مدل‌های ساده سری زمانی
• 27. پیش‌بینی در سری‌های زمانی
• 28. مقدمه‌ای بر روش‌های خوشه‌بندی
• 29. الگوریتم K-Means برای خوشه‌بندی
• 30. مقدمه‌ای بر تحلیل مولفه‌های اصلی (PCA)
• 31. کاربرد PCA در کاهش ابعاد داده‌ها
• 32. مقدمه‌ای بر تحلیل عاملی
• 33. کاربرد تحلیل عاملی در علوم داده
• 34. مقدمه‌ای بر مدل‌های آماری ترتیبی
• 35. مدل‌های لجستیک برای داده‌های طبقه‌ای
• 36. مدل‌های پروبیت برای داده‌های طبقه‌ای
• 37. مقدمه‌ای بر مدل‌های بقا
• 38. تحلیل کاپلان-مایر
• 39. مدل‌های کوکس در تحلیل بقا
• 40. مقدمه‌ای بر آمار غیرپارامتری
• 41. آزمون ویلکاکسون رتبه جمعی
• 42. آزمون کروسکال-والیس
• 43. مقدمه‌ای بر روش‌های بوت استرپ
• 44. کاربرد بوت استرپ در برآورد خطا
• 45. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 46. مدل‌های GLM برای داده‌های شمارشی
• 47. مدل‌های GLM برای داده‌های دودویی
• 48. مقدمه‌ای بر یادگیری آماری
• 49. مفاهیم بیش‌برازش و کم‌برازش
• 50. روش‌های منظم‌سازی در مدل‌ها
• 51. مقدمه‌ای بر درخت‌های تصمیم
• 52. ساخت و تفسیر درخت‌های تصمیم
• 53. مقدمه‌ای بر جنگل‌های تصادفی
• 54. کاربرد جنگل‌های تصادفی در پیش‌بینی
• 55. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 56. کاربرد SVM در طبقه‌بندی
• 57. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 58. ساختار شبکه‌های عصبی پایه
• 59. مقدمه‌ای بر یادگیری عمیق
• 60. مفاهیم شبکه‌های کانولوشنال
• 61. کاربرد شبکه‌های کانولوشنال در تصویر
• 62. مقدمه‌ای بر شبکه‌های بازگشتی (RNN)
• 63. کاربرد RNN در داده‌های ترتیبی
• 64. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 65. روش‌های آماری در NLP
• 66. مقدمه‌ای بر تحلیل احساسات
• 67. کاربرد تحلیل احساسات در علوم داده
• 68. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 69. روش‌های آماری در سیستم‌های توصیه‌گر
• 70. مقدمه‌ای بر کشف تقلب
• 71. روش‌های آماری در کشف تقلب
• 72. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 73. شاخص‌های آماری در شبکه‌های اجتماعی
• 74. مقدمه‌ای بر تحلیل داده‌های مکانی
• 75. مدل‌های آماری برای داده‌های مکانی
• 76. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 77. چالش‌های آماری در داده‌های بزرگ
• 78. ابزارهای آماری برای داده‌های بزرگ
• 79. مقدمه‌ای بر نرم‌افزارهای آماری
• 80. کاربرد R در تحلیل داده‌ها
• 81. کاربرد Python در تحلیل داده‌ها
• 82. مقدمه‌ای بر مصورسازی داده‌های پیشرفته
• 83. تکنیک‌های مصورسازی تعاملی
• 84. مقدمه‌ای بر ارزیابی مدل‌های آماری
• 85. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 86. معیارهای ارزیابی مدل‌های رگرسیون
• 87. مقدمه‌ای بر تحلیل بقا در حوزه‌های پزشکی
• 88. کاربرد مدل‌های بقا در مطالعات بالینی
• 89. مقدمه‌ای بر بهینه‌سازی آماری
• 90. روش‌های بهینه‌سازی در علوم داده
• 91. مقدمه‌ای بر اخلاق در علوم داده
• 92. مسائل حریم خصوصی در تحلیل داده‌ها
• 93. مسئولیت‌پذیری در علوم داده
• 94. مقدمه‌ای بر کاربردهای نوین آماری
• 95. یادگیری تقویتی در علوم داده
• 96. مقدمه‌ای بر مفاهیم آماری در کسب و کار
• 97. تحلیل آماری برای تصمیم‌گیری تجاری
• 98. مقدمه‌ای بر تحلیل آماری در بازاریابی
• 99. استراتژی‌های بازاریابی مبتنی بر داده
• 100. مقدمه‌ای بر تحلیل آماری در امور مالی