کتاب صوتی مقدمه‌ای بر تحلیل داده با R: از مقدمات تا مصورسازی داده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر تحلیل داده با R: از مقدمات تا مصورسازی داده‌ها

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: تحلیل داده با زبان برنامه‌نویسی R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل آماری
• 2. مبانی زبان برنامه‌نویسی R
• 3. نصب و راه‌اندازی R و RStudio
• 4. انواع داده‌ها و ساختارهای داده در R
• 5. بردارهای عددی و منطقی
• 6. ماتریس‌ها و آرایه‌ها
• 7. لیست‌ها و فریم‌های داده
• 8. عملیات پایه بر روی داده‌ها
• 9. بارگذاری و ذخیره‌سازی داده‌ها
• 10. پاکسازی و پیش‌پردازش داده‌ها
• 11. مدیریت داده‌های گمشده
• 12. تبدیل و ادغام داده‌ها
• 13. مقدمه‌ای بر مصورسازی داده‌ها
• 14. نمودارهای پراکندگی
• 15. نمودارهای خطی
• 16. نمودارهای میله‌ای
• 17. نمودارهای جعبه‌ای
• 18. نمودارهای هیستوگرام
• 19. مصورسازی داده‌های جغرافیایی
• 20. مقدمه‌ای بر آمار توصیفی
• 21. شاخص‌های مرکزی (میانگین، میانه، نما)
• 22. شاخص‌های پراکندگی (واریانس، انحراف معیار، دامنه)
• 23. مقدمه‌ای بر توزیع‌های آماری
• 24. توزیع نرمال
• 25. توزیع t
• 26. توزیع کای‌دو
• 27. استنتاج آماری
• 28. آزمون فرض آماری
• 29. آزمون t تک‌نمونه‌ای
• 30. آزمون t دو‌نمونه‌ای مستقل
• 31. آزمون t زوجی
• 32. آزمون تحلیل واریانس (ANOVA)
• 33. آزمون کای‌دو برای استقلال
• 34. مقدمه‌ای بر رگرسیون خطی
• 35. رگرسیون خطی ساده
• 36. تفسیر ضرایب رگرسیون
• 37. ارزیابی مدل رگرسیون
• 38. پیش‌بینی با رگرسیون خطی
• 39. رگرسیون خطی چندگانه
• 40. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته
• 41. رگرسیون لجستیک
• 42. مقدمه‌ای بر تحلیل سری‌های زمانی
• 43. شناسایی الگوهای سری زمانی
• 44. مدل‌های ARIMA
• 45. پیش‌بینی با مدل‌های سری زمانی
• 46. مقدمه‌ای بر خوشه‌بندی
• 47. الگوریتم K-Means
• 48. ارزیابی نتایج خوشه‌بندی
• 49. مقدمه‌ای بر کاهش ابعاد
• 50. تحلیل مولفه‌های اصلی (PCA)
• 51. مقدمه‌ای بر یادگیری ماشین
• 52. یادگیری نظارت شده
• 53. یادگیری بدون نظارت
• 54. مقدمه‌ای بر الگوریتم‌های درخت تصمیم
• 55. درختان تصمیم برای طبقه‌بندی
• 56. درختان تصمیم برای رگرسیون
• 57. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 58. SVM برای طبقه‌بندی
• 59. SVM برای رگرسیون
• 60. مقدمه‌ای بر جنگل‌های تصادفی
• 61. جنگل‌های تصادفی برای طبقه‌بندی
• 62. جنگل‌های تصادفی برای رگرسیون
• 63. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 64. شبکه‌های پرسپترون چندلایه
• 65. آموزش شبکه‌های عصبی
• 66. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 67. پیش‌پردازش متن
• 68. مدل‌سازی موضوعی
• 69. تحلیل احساسات
• 70. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 71. مفاهیم پایه شبکه‌ها
• 72. اندازه‌گیری مرکزیت در شبکه‌ها
• 73. شناسایی جوامع در شبکه‌ها
• 74. مقدمه‌ای بر داده‌کاوی
• 75. قوانین وابستگی
• 76. قواعد استخراج قواعد وابستگی
• 77. مقدمه‌ای بر تحلیل داده‌های بزرگ
• 78. مفاهیم و چالش‌های داده‌های بزرگ
• 79. ابزارهای تحلیل داده‌های بزرگ
• 80. مقدمه‌ای بر اصول اخلاقی در علوم داده
• 81. حفظ حریم خصوصی داده‌ها
• 82. سوگیری در الگوریتم‌ها
• 83. مسئولیت‌پذیری در علوم داده
• 84. مصورسازی پیشرفته در R
• 85. بسته‌های ggplot2
• 86. کاستومایز کردن نمودارها
• 87. ایجاد داشبوردهای تعاملی
• 88. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 89. تنظیم فراپارامترها
• 90. اعتبارسنجی متقابل
• 91. انتخاب بهترین مدل
• 92. مقدمه‌ای بر تفسیر نتایج مدل‌ها
• 93. اهمیت تفسیر مدل
• 94. روش‌های تفسیر مدل
• 95. کاربرد نتایج مدل در تصمیم‌گیری
• 96. مقدمه‌ای بر برنامه‌نویسی شیءگرا در R
• 97. کلاس‌ها و اشیاء
• 98. وراثت و چندریختی
• 99. پکیج‌نویسی در R
• 100. مقدمه‌ای بر محاسبات موازی در R