این دوره آموزشی طراحی شده است تا شرکت‌کنندگان را با تمام جنبه‌های ضروری برنامه‌نویسی R آشنا کند. پس از اتمام این دوره، شما قادر خواهید بود:

• مفاهیم اساسی R، انواع داده‌ها، و ساختارهای کنترلی را درک و به کار بگیرید.
• داده‌ها را وارد، پاکسازی و آماده‌سازی کنید، شامل مدیریت مقادیر از دست رفته و خطاهای داده‌ای.
• تحلیل‌های آماری پایه و پیشرفته را با R پیاده‌سازی و نتایج را تفسیر کنید.
• با استفاده از `ggplot2`، بصری‌سازی داده‌های جذاب و آموزنده ایجاد کنید.
• از فریم‌های داده و پکیج‌های Tidyverse (مانند `dplyr` و `tidyr`) برای دستکاری کارآمد داده‌ها استفاده کنید.
• اصول برنامه‌نویسی تابعی را فرا گرفته و توابع سفارشی برای خودکارسازی وظایف ایجاد کنید.
• مقدمه‌ای بر یادگیری ماشین با R داشته باشید، شامل الگوریتم‌های رگرسیون و دسته‌بندی.
• با اکوسیستم پکیج‌های R آشنا شده و پکیج‌های جدید را نصب و به کار ببرید.
• اصول گزارش‌دهی و ارائه نتایج تحلیل‌ها با R Markdown را فرا بگیرید.

شرکت در دوره “Programming with R 2024-6” از Pluralsight مزایای متعددی برای شما به همراه خواهد داشت:

• افزایش مهارت‌های تحلیلی: با تسلط بر R، توانایی شما در تحلیل و تفسیر داده‌ها به شکل چشمگیری بهبود می‌یابد.
• آمادگی برای بازار کار: R یکی از مهارت‌های پرتقاضا در حوزه‌های علم داده، آمار و هوش مصنوعی است. این دوره شما را برای ورود به این مشاغل آماده می‌کند.
• یادگیری از متخصصان: محتوای دوره توسط کارشناسان مجرب طراحی و ارائه شده است که تضمین‌کننده کیفیت و به‌روز بودن مطالب است.
• رویکرد عملی: تمرکز دوره بر مثال‌های عملی و پروژه‌های کاربردی است که به شما کمک می‌کند مفاهیم را بهتر درک کرده و به کار بگیرید.
• انعطاف‌پذیری در یادگیری: با فرمت آنلاین Pluralsight، می‌توانید در هر زمان و مکانی که برای شما مناسب است، به محتوای دوره دسترسی داشته باشید.
• پوشش جامع: این دوره از مباحث پایه شروع شده و تا مفاهیم پیشرفته ادامه می‌یابد، بنابراین برای سطوح مختلف دانش‌آموزان مناسب است.

این دوره به گونه‌ای طراحی شده است که برای طیف وسیعی از فراگیران قابل استفاده باشد. با این حال، داشتن برخی پیش‌زمینه‌ها می‌تواند تجربه یادگیری شما را بهبود بخشد:

• آشنایی مقدماتی با آمار: درک مفاهیم پایه آماری مانند میانگین، میانه، انحراف معیار، و توزیع‌های آماری مفید خواهد بود، اما ضروری نیست، زیرا بسیاری از مفاهیم آماری در حین دوره معرفی می‌شوند.
• دانش پایه برنامه‌نویسی (اختیاری): اگرچه این دوره برای مبتدیان در R طراحی شده است، داشتن تجربه قبلی با هر زبان برنامه‌نویسی دیگری (مانند Python یا C++) می‌تواند به شما در درک سریع‌تر مفاهیم برنامه‌نویسی کمک کند.
• علاقه به کار با داده‌ها: مهم‌ترین پیش‌نیاز، علاقه و اشتیاق به تحلیل داده‌ها و حل مسائل با استفاده از آمار و برنامه‌نویسی است.

برای شروع دوره، تنها نیاز به نصب R و RStudio (یک محیط توسعه یکپارچه برای R) دارید که در ابتدای دوره نحوه نصب آن‌ها آموزش داده می‌شود.

دوره “Programming with R 2024-6” با دقت ساختار یافته است تا فرآیند یادگیری را برای شما بهینه‌سازی کند. این دوره به چندین ماژول اصلی تقسیم می‌شود که هر یک بر روی جنبه خاصی از برنامه‌نویسی R تمرکز دارد:

• ماژول ۱: معرفی R و RStudio: نصب، راه‌اندازی و آشنایی با محیط کار.
• ماژول ۲: مبانی زبان R و ساختارهای داده: انواع داده‌ها (وکتور، ماتریس، فریم داده) و عملگرها.
• ماژول ۳: وارد کردن، پاکسازی و آماده‌سازی داده‌ها: خواندن داده‌ها از منابع مختلف و مدیریت مقادیر از دست رفته و خطاها.
• ماژول ۴: دستکاری و تغییر شکل داده‌ها با Tidyverse: استفاده از `dplyr` و `tidyr` برای فیلتر، انتخاب، گروه‌بندی و تغییر شکل داده‌ها.
• ماژول ۵: بصری‌سازی داده‌ها با ggplot2: ساخت انواع نمودارهای آماری جذاب و سفارشی.
• ماژول ۶: تحلیل‌های آماری و مدل‌سازی پایه: آمار توصیفی، آزمون‌های فرض و رگرسیون خطی ساده.
• ماژول ۷: برنامه‌نویسی پیشرفته و توابع سفارشی: نوشتن توابع برای خودکارسازی و بهینه‌سازی کد.
• ماژول ۸: مقدمه‌ای بر یادگیری ماشین با R: آشنایی با الگوریتم‌های رایج مانند رگرسیون لجستیک و درخت‌های تصمیم.
• ماژول ۹: گزارش‌دهی و انتشار نتایج با R Markdown: ایجاد گزارش‌های دینامیک و تعاملی حاوی کد، نتایج و متن.

در طول این دوره، بر کاربرد عملی مفاهیم تأکید فراوانی می‌شود و مثال‌های متعددی از سناریوهای واقعی ارائه می‌گردد. برخی از نکات کلیدی و مثال‌های کاربردی که مورد بررسی قرار می‌گیرند، عبارتند از:

• پاکسازی و تحلیل داده‌های مشتری: یاد می‌گیرید چگونه با داده‌های ناقص یا پر خطا از مشتریان برخورد کنید (مثلاً مقادیر از دست رفته) و سپس میانگین خرید آن‌ها را بر اساس ویژگی‌های مختلف تحلیل و بصری‌سازی کنید.
• اجرای آزمون‌های آماری: برای بررسی تفاوت‌های معنی‌دار بین گروه‌ها (مانند مقایسه نمرات دو گروه دانش‌آموز)، نحوه اجرای آزمون `t.test()` و تفسیر نتایج آن را فرا می‌گیرید.
• ساخت مدل پیش‌بینی ساده: با استفاده از تابع `lm()`، یک مدل رگرسیون خطی برای پیش‌بینی متغیری مانند قیمت خانه بر اساس ویژگی‌های آن ایجاد کرده و عملکرد مدل را ارزیابی می‌کنید.
• خودکارسازی وظایف با توابع سفارشی: برای تکرار یک عملیات خاص بر روی چندین مجموعه داده یا ستون، نحوه نوشتن توابع R را فرا می‌گیرید تا کد شما کارآمدتر و قابل استفاده مجدد شود.

یکی از بزرگترین نقاط قوت R، جامعه کاربری عظیم و فعال آن است. این دوره به شما یاد می‌دهد که چگونه از این منبع عظیم بهره‌برداری کنید، از جمله جستجو در مستندات پکیج‌ها و منابع آنلاین مانند Stack Overflow، که برای حل مسائل روزمره در R حیاتی هستند.