کتاب صوتی تحلیل آماری کاربردی و مبانی علم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل آماری کاربردی و مبانی علم داده

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: مبانی و کاربردهای آمار در تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و تحلیل آماری
• 2. آشنایی با مفاهیم آماری پایه
• 3. جمع‌آوری و سازماندهی داده‌ها
• 4. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 5. آمار توصیفی: معیارهای مرکزی
• 6. آمار توصیفی: معیارهای پراکندگی
• 7. نمودارهای آماری برای داده‌های یک‌متغیره
• 8. نمودارهای آماری برای داده‌های دو‌متغیره
• 9. مقدمه‌ای بر احتمال
• 10. قوانین احتمال و احتمالات شرطی
• 11. متغیرهای تصادفی و توزیع‌های گسسته
• 12. توزیع دوجمله‌ای و پواسون
• 13. متغیرهای تصادفی و توزیع‌های پیوسته
• 14. توزیع نرمال و کاربردهای آن
• 15. توزیع‌های t و کای‌دو
• 16. مفاهیم آماره و برآوردگر
• 17. برآورد فاصله‌ای و فاصله اطمینان
• 18. آزمون فرض آماری: مفاهیم پایه
• 19. آزمون فرض برای میانگین یک جامعه
• 20. آزمون فرض برای نسبت یک جامعه
• 21. آزمون فرض برای واریانس یک جامعه
• 22. آزمون فرض برای مقایسه میانگین دو جامعه مستقل
• 23. آزمون فرض برای مقایسه میانگین دو جامعه وابسته
• 24. آزمون فرض برای مقایسه نسبت دو جامعه
• 25. آزمون فرض برای همگنی واریانس‌ها
• 26. مقدمه‌ای بر رگرسیون خطی ساده
• 27. برآورد پارامترهای رگرسیون خطی ساده
• 28. آزمون فرض در رگرسیون خطی ساده
• 29. پیش‌بینی با رگرسیون خطی ساده
• 30. مقدمه‌ای بر رگرسیون خطی چندگانه
• 31. انتخاب مدل در رگرسیون خطی چندگانه
• 32. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 33. ANOVA یک‌طرفه
• 34. ANOVA دوطرفه
• 35. مقدمه‌ای بر سری‌های زمانی
• 36. شاخص‌های روند در سری‌های زمانی
• 37. مقدمه‌ای بر شاخص‌های قیمت
• 38. محاسبه شاخص‌های قیمت با وزن
• 39. مقدمه‌ای بر تحلیل بقا
• 40. تابع بقا و تابع خطر
• 41. مقدمه‌ای بر روش‌های نمونه‌گیری
• 42. نمونه‌گیری تصادفی ساده
• 43. نمونه‌گیری طبقه‌ای
• 44. نمونه‌گیری خوشه‌ای
• 45. مقدمه‌ای بر تحلیل عاملی
• 46. کاربرد تحلیل عاملی در علوم داده
• 47. مقدمه‌ای بر تحلیل خوشه‌ای
• 48. الگوریتم‌های خوشه‌بندی K-Means
• 49. مقدمه‌ای بر تحلیل ممیزی
• 50. کاربرد تحلیل ممیزی در طبقه‌بندی
• 51. روش‌های آزمون آماری ناپارامتری
• 52. آزمون ویلکاکسون برای داده‌های وابسته
• 53. آزمون مان-ویتنی برای داده‌های مستقل
• 54. آزمون کروسکال-والیس
• 55. آزمون فریدمن
• 56. مقدمه‌ای بر تحلیل بقا با مدل کاکس
• 57. تفسیر ضرایب در مدل کاکس
• 58. مقدمه‌ای بر آماره بیزین
• 59. قضیه بیز و کاربردهای آن
• 60. توزیع پیشین و پسین
• 61. برآورد پارامتر در رویکرد بیزین
• 62. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 63. رگرسیون لجستیک
• 64. مدل‌های پواسون برای داده‌های شمارشی
• 65. مقدمه‌ای بر روش‌های شبیه‌سازی مونت کارلو
• 66. کاربرد شبیه‌سازی در برآورد فاصله‌ای
• 67. مقدمه‌ای بر تحلیل داده‌های پرت
• 68. روش‌های شناسایی داده‌های پرت
• 69. روش‌های برخورد با داده‌های پرت
• 70. مقدمه‌ای بر مهندسی ویژگی
• 71. تکنیک‌های ایجاد ویژگی‌های جدید
• 72. مقدمه‌ای بر کاهش ابعاد داده
• 73. تحلیل مؤلفه‌های اصلی (PCA)
• 74. تحلیل تشخیص خطی (LDA)
• 75. مقدمه‌ای بر یادگیری ماشین آماری
• 76. رابطه بین آمار و یادگیری ماشین
• 77. مقدمه‌ای بر مدل‌های رگرسیون غیرخطی
• 78. رگرسیون چندجمله‌ای
• 79. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 80. طبقه‌بندی بیزین ساده
• 81. مقدمه‌ای بر روش‌های ارزیابی مدل
• 82. معیارهای ارزیابی مدل‌های رگرسیون
• 83. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 84. منحنی ROC و سطح زیر منحنی (AUC)
• 85. مقدمه‌ای بر تحلیل داده‌های مکانی
• 86. مفاهیم پایه در آمار مکانی
• 87. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 88. شاخص‌های مرکزی بودن در شبکه‌های اجتماعی
• 89. مقدمه‌ای بر تحلیل متن آماری
• 90. روش‌های نمایش اسناد متنی
• 91. مقدمه‌ای بر تحلیل احساسات
• 92. مدل‌های آماری برای تحلیل احساسات
• 93. مقدمه‌ای بر تشخیص الگوهای آماری
• 94. کاربرد آمار در تشخیص الگو
• 95. مقدمه‌ای بر آمار و داده‌کاوی
• 96. تمایز آمار و داده‌کاوی
• 97. مقدمه‌ای بر ابزارهای نرم‌افزاری آماری
• 98. آشنایی با R برای تحلیل آماری
• 99. آشنایی با Python برای تحلیل آماری
• 100. کاربرد آمار در تصمیم‌گیری‌های تجاری