کتاب صوتی جامع RStudio: از مقدماتی تا پیشرفته برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع RStudio: از مقدماتی تا پیشرفته برای تحلیل داده

موضوع کلی: تحلیل داده و برنامه‌نویسی علمی

موضوع میانی: ابزارهای تحلیل داده و برنامه‌نویسی آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و RStudio
• 2. نصب و پیکربندی R و RStudio
• 3. آشنایی با محیط RStudio
• 4. مفاهیم پایه R: متغیرها و انواع داده
• 5. ساختارهای داده در R: بردارها
• 6. ساختارهای داده در R: ماتریس‌ها
• 7. ساختارهای داده در R: آرایه‌ها
• 8. ساختارهای داده در R: لیست‌ها
• 9. ساختارهای داده در R: فریم‌های داده
• 10. عملیات پایه با فریم‌های داده
• 11. فانکشن‌ها و توابع در R
• 12. نوشتن و استفاده از توابع سفارشی
• 13. کنترل جریان برنامه: دستورات شرطی (if, else)
• 14. کنترل جریان برنامه: حلقه‌ها (for, while)
• 15. کار با رشته‌ها و متون
• 16. کار با تاریخ و زمان
• 17. مدیریت بسته‌ها در R
• 18. نصب و بارگذاری بسته‌های R
• 19. مقدمه‌ای بر بسته‌های محبوب برای تحلیل داده
• 20. بسته dplyr برای دستکاری داده
• 21. فیلتر کردن داده‌ها با dplyr
• 22. مرتب‌سازی داده‌ها با dplyr
• 23. انتخاب ستون‌ها با dplyr
• 24. ایجاد ستون‌های جدید با dplyr
• 25. خلاصه‌سازی داده‌ها با dplyr
• 26. ترکیب فریم‌های داده با dplyr
• 27. مقدمه‌ای بر داده‌کاوی و یادگیری ماشین
• 28. مفاهیم پایه یادگیری ماشین
• 29. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 30. مقدمه‌ای بر پیش‌پردازش داده‌ها
• 31. پاکسازی داده‌های گمشده
• 32. شناسایی و مدیریت داده‌های پرت
• 33. تبدیل و نرمال‌سازی داده‌ها
• 34. انتخاب ویژگی
• 35. مقدمه‌ای بر مدل‌های رگرسیون خطی
• 36. اجرای رگرسیون خطی در R
• 37. تفسیر نتایج رگرسیون خطی
• 38. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 39. رگرسیون لجستیک در R
• 40. طبقه‌بندی‌کننده K-نزدیک‌ترین همسایه (KNN)
• 41. درخت‌های تصمیم
• 42. جنگل‌های تصادفی (Random Forests)
• 43. ماشین‌های بردار پشتیبان (SVM)
• 44. مقدمه‌ای بر خوشه‌بندی
• 45. الگوریتم K-Means
• 46. خوشه‌بندی سلسله مراتبی
• 47. ارزیابی مدل‌های خوشه‌بندی
• 48. مقدمه‌ای بر تحلیل سری‌های زمانی
• 49. کار با داده‌های سری زمانی در R
• 50. مدل‌های ARIMA
• 51. تحلیل فصلی در سری‌های زمانی
• 52. مقدمه‌ای بر مصورسازی داده‌ها
• 53. بسته ggplot2 برای مصورسازی
• 54. نمودارهای پراکندگی
• 55. نمودارهای میله‌ای
• 56. نمودارهای خطی
• 57. نمودارهای جعبه‌ای (Box Plots)
• 58. نمودارهای هیستوگرام
• 59. نقشه‌های حرارتی (Heatmaps)
• 60. مصورسازی داده‌های جغرافیایی
• 61. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 62. کار با داده‌های شبکه‌های اجتماعی در R
• 63. مفاهیم گراف و شبکه
• 64. مصورسازی شبکه‌ها
• 65. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 66. کار با متن در R
• 67. پاکسازی و پیش‌پردازش متن
• 68. مدل‌سازی موضوعی (Topic Modeling)
• 69. مقدمه‌ای بر تحلیل آماری پیشرفته
• 70. آزمون‌های فرض آماری
• 71. آزمون t
• 72. آزمون کای دو
• 73. تحلیل واریانس (ANOVA)
• 74. مقدمه‌ای بر تحلیل بقا
• 75. توابع بقا
• 76. منحنی کاپلان-مایر
• 77. مقدمه‌ای بر یادگیری عمیق
• 78. شبکه‌های عصبی مصنوعی
• 79. نصب و استفاده از بسته‌های یادگیری عمیق
• 80. مقدمه‌ای بر بهینه‌سازی
• 81. الگوریتم‌های بهینه‌سازی
• 82. کاربرد بهینه‌سازی در تحلیل داده
• 83. مقدمه‌ای بر تولید گزارش و مستندسازی
• 84. تولید گزارش با R Markdown
• 85. استفاده از Shiny برای ساخت داشبوردهای تعاملی
• 86. مقدمه‌ای بر توسعه ابزارهای تحلیل داده
• 87. اصول برنامه‌نویسی تمیز
• 88. اشکال‌زدایی (Debugging) در R
• 89. مدیریت پروژه در RStudio
• 90. کار با کنترل نسخه (Git)
• 91. مقدمه‌ای بر اخلاق در تحلیل داده
• 92. حفظ حریم خصوصی داده‌ها
• 93. سوگیری در الگوریتم‌ها
• 94. ملاحظات اخلاقی در مصورسازی داده‌ها
• 95. تکنیک‌های پیشرفته در RStudio
• 96. بهینه‌سازی کد R
• 97. استفاده از Rcpp برای افزایش سرعت
• 98. مقدمه‌ای بر یادگیری تقویتی
• 99. اصول یادگیری تقویتی
• 100. کاربرد یادگیری تقویتی