کتاب صوتی مقدمه‌ای بر برنامه‌نویسی با R و ابزارهای Tidyverse برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر برنامه‌نویسی با R و ابزارهای Tidyverse برای تحلیل داده

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: برنامه‌نویسی و ابزارهای تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی R
• 2. نصب و راه‌اندازی R و RStudio
• 3. مفاهیم پایه در R: متغیرها و انواع داده
• 4. بردارها و عملیات روی آن‌ها
• 5. ماتریس‌ها و آرایه‌ها در R
• 6. فهرست‌ها (Lists) و فریم‌های داده (Data Frames)
• 7. کار با رشته‌ها و عملیات متنی
• 8. ساختارهای شرطی: if, else, ifelse
• 9. حلقه‌های تکرار: for, while
• 10. توابع در R: تعریف و استفاده
• 11. مقدمه‌ای بر بسته‌های R
• 12. نصب و بارگذاری بسته‌های R
• 13. مقدمه‌ای بر Tidyverse
• 14. مفهوم "piping" با عملگر %>%
• 15. کار با داده‌های جدولی با dplyr
• 16. فیلتر کردن داده‌ها (filter)
• 17. انتخاب ستون‌ها (select)
• 18. مرتب‌سازی داده‌ها (arrange)
• 19. ایجاد ستون‌های جدید (mutate)
• 20. خلاصه‌سازی داده‌ها (summarise)
• 21. گروه‌بندی داده‌ها (group_by)
• 22. کار با رشته‌های متنی با stringr
• 23. کار با تاریخ و زمان با lubridate
• 24. مدیریت و پاکسازی داده‌ها با tidyr
• 25. تبدیل داده‌ها از فرمت عریض به بلند (pivot_longer)
• 26. تبدیل داده‌ها از فرمت بلند به عریض (pivot_wider)
• 27. حذف مقادیر گمشده (NA)
• 28. جایگزینی مقادیر گمشده
• 29. اعتبارسنجی داده‌ها
• 30. مقدمه‌ای بر مصورسازی داده‌ها با ggplot2
• 31. مفاهیم پایه در ggplot2: aesthetic mappings, geoms
• 32. ایجاد نمودارهای پراکندگی (scatterplot)
• 33. ایجاد نمودارهای میله‌ای (bar chart)
• 34. ایجاد نمودارهای خطی (line chart)
• 35. ایجاد نمودارهای هیستوگرام (histogram)
• 36. ایجاد نمودارهای جعبه‌ای (boxplot)
• 37. تنظیمات ظاهری نمودارها
• 38. اضافه کردن برچسب‌ها و عنوان به نمودارها
• 39. کار با داده‌های واقعی: نمونه اول
• 40. پاکسازی و آماده‌سازی داده‌های نمونه اول
• 41. تحلیل اکتشافی داده‌های نمونه اول
• 42. مصورسازی داده‌های نمونه اول
• 43. کار با داده‌های واقعی: نمونه دوم
• 44. پاکسازی و آماده‌سازی داده‌های نمونه دوم
• 45. تحلیل اکتشافی داده‌های نمونه دوم
• 46. مصورسازی داده‌های نمونه دوم
• 47. مقدمه‌ای بر رگرسیون خطی در R
• 48. اجرای رگرسیون خطی با lm()
• 49. تفسیر نتایج رگرسیون خطی
• 50. ارزیابی مدل رگرسیون خطی
• 51. مقدمه‌ای بر آزمون فرض آماری
• 52. آزمون t دو نمونه‌ای
• 53. آزمون ANOVA
• 54. آزمون کای دو (Chi-squared test)
• 55. مقدمه‌ای بر یادگیری ماشین در R
• 56. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 57. مدل‌های طبقه‌بندی: رگرسیون لجستیک
• 58. مدل‌های طبقه‌بندی: درخت تصمیم
• 59. ارزیابی مدل‌های طبقه‌بندی
• 60. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 61. الگوریتم K-Means
• 62. ارزیابی نتایج خوشه‌بندی
• 63. کار با داده‌های متنی (Text Mining)
• 64. پاکسازی داده‌های متنی
• 65. تحلیل فراوانی کلمات
• 66. مقدمه‌ای بر تحلیل سری‌های زمانی
• 67. ایجاد نمودارهای سری زمانی
• 68. شناسایی روند و فصلیت
• 69. مقدمه‌ای بر بهینه‌سازی با R
• 70. استفاده از بسته‌های بهینه‌سازی
• 71. مدل‌سازی پیش‌بینانه در R
• 72. کار با داده‌های بزرگ
• 73. اصول برنامه‌نویسی تمیز (Clean Code)
• 74. مدیریت پروژه در R
• 75. اشکال‌زدایی (Debugging) در R
• 76. مستندسازی کد R
• 77. کار با پایگاه‌های داده در R
• 78. اتصال به پایگاه داده MySQL
• 79. اتصال به پایگاه داده PostgreSQL
• 80. کار با API ها در R
• 81. دریافت داده از API های وب
• 82. امنیت در برنامه‌نویسی R
• 83. ملاحظات اخلاقی در تحلیل داده
• 84. حریم خصوصی داده‌ها
• 85. مقررات مربوط به داده‌ها در ایران
• 86. اصول کار با داده‌های حساس
• 87. چارچوب‌های قانونی داده در ایران
• 88. مدیریت ریسک داده‌ها
• 89. آسیب‌شناسی داده‌ها
• 90. تحلیل داده در راستای منافع ملی
• 91. مصورسازی داده‌های آماری رسمی کشور
• 92. کاربرد R در پژوهش‌های علمی داخلی
• 93. بسته‌های R برای تحلیل اقتصادی ایران
• 94. بسته‌های R برای تحلیل اجتماعی ایران
• 95. بسته‌های R برای تحلیل فرهنگی ایران
• 96. ملاحظات فقهی در تحلیل داده
• 97. تطابق تحلیل داده با موازین شرعی
• 98. احکام مربوط به داده‌ها در فقه شیعه
• 99. کاربردهای R در حوزه‌های نوین اقتصادی
• 100. آموزش و ترویج سواد داده‌ای