کتاب صوتی مبانی استنتاج آماری و مدل‌سازی با استفاده از نرم‌افزار R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی استنتاج آماری و مدل‌سازی با استفاده از نرم‌افزار R

موضوع کلی: علوم آماری و داده‌کاوی

موضوع میانی: استنتاج آماری و مدل‌سازی داده

📋 سرفصل‌های دوره

• 1. مبانی آمار و احتمال در R
• 2. مقدمه‌ای بر داده‌ها و انواع آن‌ها
• 3. آشنایی با محیط R و دستورات پایه
• 4. مصورسازی داده‌های اکتشافی با R
• 5. آمار توصیفی و خلاصه‌سازی داده‌ها
• 6. مقدمه‌ای بر توزیع‌های احتمال گسسته
• 7. توزیع دوجمله‌ای و کاربردهای آن
• 8. توزیع پواسون و کاربردهای آن
• 9. مقدمه‌ای بر توزیع‌های احتمال پیوسته
• 10. توزیع نرمال و ویژگی‌های آن
• 11. توزیع نمایی و کاربردهای آن
• 12. توزیع‌های t و کای‌دو
• 13. نمونه‌گیری و توزیع نمونه‌گیری
• 14. قضیه حد مرکزی و اهمیت آن
• 15. مفهوم برآوردگر و ویژگی‌های آن
• 16. برآورد نقطه‌ای و فاصله‌ای
• 17. فاصله اطمینان برای میانگین جامعه
• 18. فاصله اطمینان برای نسبت جامعه
• 19. آزمون فرض آماری: مفاهیم پایه
• 20. خطای نوع اول و دوم
• 21. آزمون فرض برای میانگین جامعه (تک نمونه‌ای)
• 22. آزمون فرض برای نسبت جامعه (تک نمونه‌ای)
• 23. آزمون فرض برای میانگین جامعه (دو نمونه‌ای مستقل)
• 24. آزمون فرض برای میانگین جامعه (دو نمونه‌ای زوج)
• 25. آزمون فرض برای نسبت جامعه (دو نمونه‌ای)
• 26. تحلیل واریانس یک‌طرفه (ANOVA)
• 27. آزمون کای‌دو برای استقلال
• 28. آزمون کای‌دو برای نیکویی برازش
• 29. مقدمه‌ای بر رگرسیون خطی ساده
• 30. برآورد پارامترهای رگرسیون
• 31. آزمون فرض برای ضریب رگرسیون
• 32. فاصله اطمینان برای ضریب رگرسیون
• 33. پیش‌بینی با مدل رگرسیون خطی
• 34. تحلیل آماری در R برای رگرسیون ساده
• 35. مقدمه‌ای بر رگرسیون خطی چندگانه
• 36. انتخاب متغیر در مدل رگرسیون
• 37. ارزیابی مدل رگرسیون چندگانه
• 38. مفاهیم هم‌خطی و اثرات آن
• 39. رگرسیون لجستیک برای داده‌های طبقه‌ای
• 40. مدل‌سازی داده‌های شمارشی
• 41. مقدمه‌ای بر سری‌های زمانی
• 42. تحلیل روند و فصلیت در سری‌های زمانی
• 43. مدل‌های ARIMA
• 44. پیش‌بینی با مدل‌های سری زمانی
• 45. مقدمه‌ای بر یادگیری ماشین آماری
• 46. طبقه‌بندی با رگرسیون لجستیک
• 47. دسته‌بندی با ماشین‌های بردار پشتیبان (SVM)
• 48. درخت‌های تصمیم برای طبقه‌بندی
• 49. جنگل‌های تصادفی برای طبقه‌بندی
• 50. خوشه‌بندی با الگوریتم K-Means
• 51. روش‌های کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 52. یادگیری قاعده‌مند انجمنی (Apriori)
• 53. ارزیابی مدل‌های پیش‌بینی
• 54. اعتبارسنجی متقابل (Cross-validation)
• 55. متریک‌های ارزیابی برای طبقه‌بندی
• 56. متریک‌های ارزیابی برای رگرسیون
• 57. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 58. مدل‌های خطی تعمیم‌یافته در R
• 59. مدل‌های خطی مختلط (Mixed-effects models)
• 60. مقدمه‌ای بر سنجش از دور و تحلیل داده‌های مکانی
• 61. تحلیل داده‌های مکانی در R
• 62. استنتاج آماری در سنجش از دور
• 63. مصورسازی داده‌های سنجش از دور
• 64. مقدمه‌ای بر مدل‌سازی آماری پیشرفته
• 65. مدل‌های مارکوف پنهان (HMM)
• 66. مدل‌های یادگیری عمیق برای داده‌های ساختاریافته
• 67. شبکه‌های عصبی کانولوشنی (CNN)
• 68. شبکه‌های عصبی بازگشتی (RNN)
• 69. کاربرد R در تحلیل داده‌های بزرگ
• 70. مقدمه‌ای بر بهینه‌سازی و الگوریتم‌های ژنتیک
• 71. کاربرد بهینه‌سازی در مدل‌سازی آماری
• 72. مقدمه‌ای بر شبیه‌سازی مونت کارلو
• 73. پیاده‌سازی شبیه‌سازی با R
• 74. تحلیل حساسیت و عدم قطعیت
• 75. مقدمه‌ای بر مدل‌سازی معادلات ساختاری (SEM)
• 76. مقدمه‌ای بر تحلیل بقا
• 77. مدل کاکس (Cox proportional hazards model)
• 78. کاربرد تحلیل بقا در علوم زیستی
• 79. مقدمه‌ای بر داده‌کاوی و کشف الگو
• 80. استخراج قوانین انجمنی
• 81. تحلیل خوشه‌ای در داده‌کاوی
• 82. روش‌های کاهش ابعاد در داده‌کاوی
• 83. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 84. تحلیل احساسات با R
• 85. مصورسازی داده‌های متنی
• 86. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 87. تحلیل ساختار شبکه‌ها با R
• 88. شناسایی جوامع در شبکه‌ها
• 89. کاربرد آمار و داده‌کاوی در تصمیم‌گیری
• 90. اخلاق در تحلیل داده‌ها
• 91. مقدمه‌ای بر داده‌های سری زمانی چندمتغیره
• 92. مدل‌های VAR (Vector Autoregression)
• 93. مقدمه‌ای بر مدل‌سازی رگرسیون کوانتیل
• 94. کاربرد رگرسیون کوانتیل در اقتصاد
• 95. مقدمه‌ای بر یادگیری تقویتی
• 96. کاربرد یادگیری تقویتی در بهینه‌سازی
• 97. مقدمه‌ای بر مدل‌های آماری بیزی
• 98. تبدیل رویکرد از فراوانی‌گرا به بیزی
• 99. مقدمه‌ای بر نرم‌افزار Stan برای مدل‌سازی بیزی
• 100. کاربرد مدل‌سازی بیزی در علوم مختلف