اپلیکیشن اندرویدی فلش‌کارت آموزشی آشنایی با محیط RStudio برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با محیط RStudio برای تحلیل داده

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: ابزارهای تحلیل آماری و برنامه‌نویسی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و RStudio
• 2. نصب و راه‌اندازی R و RStudio
• 3. آشنایی با محیط کاربری RStudio
• 4. مفاهیم پایه زبان R: متغیرها و انواع داده
• 5. ساختارهای داده در R: وکتورها
• 6. ساختارهای داده در R: ماتریس‌ها
• 7. ساختارهای داده در R: آرایه‌ها
• 8. ساختارهای داده در R: لیست‌ها
• 9. ساختارهای داده در R: دیتافریم‌ها
• 10. عملیات پایه‌ای با دیتافریم‌ها
• 11. بارگذاری داده‌ها از فایل‌های CSV
• 12. بارگذاری داده‌ها از فایل‌های Excel
• 13. پاکسازی داده‌ها: مدیریت مقادیر گمشده
• 14. پاکسازی داده‌ها: شناسایی و حذف داده‌های پرت
• 15. تبدیل انواع داده
• 16. ایجاد ستون‌های جدید در دیتافریم
• 17. فیلتر کردن داده‌ها
• 18. مرتب‌سازی داده‌ها
• 19. تجمیع داده‌ها با dplyr
• 20. عملیات پیوند (join) دیتافریم‌ها
• 21. مقدمه‌ای بر بصری‌سازی داده‌ها
• 22. نمودارهای پراکندگی (Scatter Plot)
• 23. نمودارهای خطی (Line Plot)
• 24. نمودارهای میله‌ای (Bar Plot)
• 25. نمودارهای هیستوگرام (Histogram)
• 26. نمودارهای جعبه‌ای (Box Plot)
• 27. نمودارهای دایره‌ای (Pie Chart)
• 28. سفارشی‌سازی نمودارها با ggplot2
• 29. مقدمه‌ای بر آماره‌های توصیفی
• 30. محاسبه میانگین، میانه و مد
• 31. محاسبه واریانس و انحراف معیار
• 32. محاسبه چارک‌ها و دامنه میان چارکی
• 33. آزمون‌های فرض آماری: مقدمه
• 34. آزمون t تک‌نمونه‌ای
• 35. آزمون t دو‌نمونه‌ای مستقل
• 36. آزمون t دو‌نمونه‌ای زوجی
• 37. تحلیل واریانس یک‌طرفه (ANOVA)
• 38. تحلیل واریانس دو‌طرفه
• 39. مقدمه‌ای بر رگرسیون خطی
• 40. رگرسیون خطی ساده
• 41. تفسیر ضرایب رگرسیون
• 42. ارزیابی مدل رگرسیون خطی
• 43. رگرسیون خطی چندگانه
• 44. مقدمه‌ای بر یادگیری ماشین
• 45. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 46. مدل‌های طبقه‌بندی: مقدمه
• 47. رگرسیون لجستیک
• 48. درختان تصمیم
• 49. جنگل‌های تصادفی
• 50. ماشین‌های بردار پشتیبان (SVM)
• 51. مدل‌های خوشه‌بندی: مقدمه
• 52. خوشه‌بندی K-Means
• 53. ارزیابی مدل‌های خوشه‌بندی
• 54. تحلیل مولفه‌های اصلی (PCA)
• 55. مقدمه‌ای بر سری‌های زمانی
• 56. فصل‌بندی داده‌های سری زمانی
• 57. مدل ARIMA
• 58. پیش‌بینی با مدل‌های سری زمانی
• 59. پردازش متن: مقدمه
• 60. پاکسازی متن
• 61. ایجاد ماتریس ترم-سند
• 62. تحلیل احساسات
• 63. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 64. نمایش گراف‌ها
• 65. محاسبه معیارهای مرکزی بودن
• 66. تحلیل خوشه‌ها در شبکه‌ها
• 67. کاربرد R در تحلیل داده‌های مکانی
• 68. مقدمه‌ای بر داده‌های جغرافیایی
• 69. بارگذاری و نمایش داده‌های مکانی
• 70. عملیات روی لایه‌های مکانی
• 71. تحلیل آماری داده‌های مکانی
• 72. مقدمه‌ای بر گزارش‌دهی با R Markdown
• 73. ایجاد اسناد پویا
• 74. گنجاندن کد R در اسناد
• 75. خروجی‌های متنوع (HTML, PDF, Word)
• 76. تنظیمات پیشرفته R Markdown
• 77. مدیریت پروژه با RStudio Projects
• 78. نسخه‌بندی کد با Git و GitHub
• 79. مقدمه‌ای بر توسعه بسته‌های R
• 80. ساخت یک بسته ساده R
• 81. مستندسازی بسته‌ها
• 82. انتشار بسته‌ها
• 83. مقدمه‌ای بر محاسبات موازی در R
• 84. استفاده از بسته‌های parallel و foreach
• 85. بهینه‌سازی کد برای کارایی
• 86. مقدمه‌ای بر یادگیری عمیق با R
• 87. مقدمه‌ای بر شبکه‌های عصبی
• 88. ساخت و آموزش شبکه‌های عصبی ساده
• 89. مقدمه‌ای بر ابزارهای پیشرفته تحلیل داده
• 90. کاربرد R در هوش تجاری (BI)
• 91. مقدمه‌ای بر داشبوردهای تعاملی با Shiny
• 92. ساخت یک برنامه Shiny ساده
• 93. استقرار برنامه‌های Shiny
• 94. ملاحظات امنیتی در تحلیل داده
• 95. رعایت حریم خصوصی داده‌ها
• 96. اصول اخلاقی در علم داده
• 97. ارزیابی کیفیت داده‌ها
• 98. مقدمه‌ای بر یادگیری تقویتی
• 99. کاربرد R در شبیه‌سازی‌های پیچیده
• 100. مقدمه‌ای بر پردازش سیگنال با R