کتاب صوتی تحلیل آماری پیشرفته با زبان R: از مقدماتی تا کاربردهای تخصصی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل آماری پیشرفته با زبان R: از مقدماتی تا کاربردهای تخصصی

موضوع کلی: علوم کامپیوتر و داده‌کاوی

موضوع میانی: تحلیل آماری و زبان برنامه‌نویسی R

📋 سرفصل‌های دوره

• 1. مبانی علوم کامپیوتر و ساختار داده‌ها
• 2. مقدمه‌ای بر زبان برنامه‌نویسی R
• 3. نصب و پیکربندی R و RStudio
• 4. انواع داده‌ها و ساختارهای پایه در R
• 5. متغیرها و عملگرها در R
• 6. دستورات شرطی و حلقه‌ها
• 7. توابع در R: تعریف و فراخوانی
• 8. کار با بردارها و ماتریس‌ها
• 9. کار با لیست‌ها و دیتافریم‌ها
• 10. ذخیره و بارگذاری داده‌ها در R
• 11. آشنایی با کتابخانه‌های پرکاربرد R
• 12. مقدمه‌ای بر تحلیل آماری
• 13. آمار توصیفی: معیارهای مرکزی
• 14. آمار توصیفی: معیارهای پراکندگی
• 15. نمودارهای آماری در R: هیستوگرام
• 16. نمودارهای آماری در R: نمودار جعبه‌ای
• 17. نمودارهای آماری در R: نمودار پراکندگی
• 18. مفاهیم احتمال و توزیع‌های احتمالی
• 19. توزیع نرمال و کاربردهای آن
• 20. توزیع‌های گسسته: دوجمله‌ای و پواسون
• 21. آزمون فرض آماری: مفاهیم پایه
• 22. آزمون t تک‌نمونه‌ای در R
• 23. آزمون t دو نمونه‌ای در R
• 24. آزمون تحلیل واریانس (ANOVA) یک‌طرفه
• 25. آزمون تحلیل واریانس (ANOVA) دوطرفه
• 26. رگرسیون خطی ساده در R
• 27. رگرسیون خطی چندگانه در R
• 28. ارزیابی مدل رگرسیون
• 29. آشنایی با داده‌کاوی
• 30. مراحل کلی فرآیند داده‌کاوی
• 31. پیش‌پردازش داده‌ها
• 32. پاکسازی داده‌ها
• 33. یکنواخت‌سازی داده‌ها
• 34. کاهش ابعاد داده‌ها
• 35. انتخاب ویژگی (Feature Selection)
• 36. مقدمه‌ای بر یادگیری ماشین
• 37. یادگیری با نظارت (Supervised Learning)
• 38. یادگیری بدون نظارت (Unsupervised Learning)
• 39. طبقه‌بندی (Classification)
• 40. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 41. درخت تصمیم (Decision Tree)
• 42. ماشین بردار پشتیبان (SVM)
• 43. یادگیری بیز (Bayesian Learning)
• 44. رگرسیون لجستیک (Logistic Regression)
• 45. خوشه‌بندی (Clustering)
• 46. الگوریتم K-Means
• 47. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 48. قوانین انجمنی (Association Rules)
• 49. الگوریتم Apriori
• 50. ارزیابی مدل‌های طبقه‌بندی
• 51. ماتریس درهم‌ریختگی (Confusion Matrix)
• 52. دقت، صحت و بازیابی (Precision, Recall)
• 53. معیار F1-Score
• 54. ارزیابی مدل‌های خوشه‌بندی
• 55. شاخص سیلوئت (Silhouette Score)
• 56. شاخص داویس-بولدین (Davies-Bouldin Index)
• 57. تحلیل سری‌های زمانی (Time Series Analysis)
• 58. مفاهیم پایه سری‌های زمانی
• 59. هموارسازی سری‌های زمانی
• 60. مدل‌های ARIMA
• 61. پیش‌بینی در سری‌های زمانی با R
• 62. تحلیل مولفه‌های اصلی (PCA)
• 63. کاربرد PCA در کاهش ابعاد
• 64. شناسایی ناهنجاری (Anomaly Detection)
• 65. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 66. شبکه‌های عصبی مصنوعی (ANN)
• 67. شبکه‌های عصبی کانولوشنی (CNN)
• 68. شبکه‌های عصبی بازگشتی (RNN)
• 69. پردازش زبان طبیعی (NLP) با R
• 70. تحلیل احساسات (Sentiment Analysis)
• 71. کاربرد R در هوش تجاری (BI)
• 72. تجسم داده‌های پیشرفته در R
• 73. کتابخانه ggplot2
• 74. کاربرد R در علم داده‌های مکانی
• 75. مقدمه‌ای بر شبکه‌های اجتماعی و تحلیل آن‌ها
• 76. تحلیل شبکه‌های اجتماعی با R
• 77. ملاحظات اخلاقی در تحلیل داده‌ها
• 78. امنیت داده‌ها و حریم خصوصی
• 79. مقدمه‌ای بر کلان‌داده (Big Data)
• 80. ابزارهای پردازش کلان‌داده
• 81. کاربرد R در سیستم‌های توصیه‌گر
• 82. اصول طراحی پایگاه داده در R
• 83. مدیریت پایگاه داده‌های رابطه‌ای
• 84. استفاده از R برای پرس‌وجوهای SQL
• 85. مفاهیم یادگیری تقویتی (Reinforcement Learning)
• 86. کاربردهای پیشرفته تحلیل آماری با R
• 87. مدل‌سازی آماری پیشرفته
• 88. روش‌های نمونه‌گیری در R
• 89. طراحی آزمایش‌ها (Design of Experiments)
• 90. تحلیل بقا (Survival Analysis)
• 91. مقدمه‌ای بر یادگیری آماری
• 92. یادگیری آماری در عمل با R
• 93. کاربرد R در تحلیل داده‌های مالی
• 94. مدل‌سازی ریسک با R
• 95. تحلیل داده‌های سلامت با R
• 96. مقدمه‌ای بر داده‌های پزشکی و سلامت
• 97. کاربرد R در تحقیقات علمی
• 98. گزارش‌دهی آماری با R Markdown
• 99. توسعه بسته‌های R
• 100. مقدمه‌ای بر یادگیری ماشین توزیع‌شده