اپلیکیشن اندرویدی فلش‌کارت آموزشی مهارت‌های پاکسازی و دستکاری داده‌ها با R برای تحلیلگران

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهارت‌های پاکسازی و دستکاری داده‌ها با R برای تحلیلگران

موضوع کلی: تحلیل داده و علم داده

موضوع میانی: پاکسازی و آماده‌سازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و اهمیت پاکسازی داده
• 2. نصب و راه‌اندازی محیط R و RStudio
• 3. آشنایی با انواع داده‌ها در R
• 4. ساختارهای داده‌ای پایه: بردارها و لیست‌ها
• 5. ماتریس‌ها و آرایه‌ها در R
• 6. کار با دیتافریم‌ها: ستون‌ها و ردیف‌ها
• 7. مقدمه‌ای بر کتابخانه dplyr برای دستکاری داده
• 8. انتخاب ستون‌ها با select()
• 9. فیلتر کردن ردیف‌ها با filter()
• 10. مرتب‌سازی داده‌ها با arrange()
• 11. اضافه کردن ستون‌های جدید با mutate()
• 12. خلاصه‌سازی داده‌ها با summarize()
• 13. گروه‌بندی داده‌ها با group_by()
• 14. ترکیب دیتافریم‌ها با bind_rows() و bind_cols()
• 15. الحاق دیتافریم‌ها با join()
• 16. انواع join: inner_join, left_join, right_join, full_join
• 17. کار با داده‌های گمشده (NA)
• 18. شناسایی داده‌های گمشده
• 19. حذف داده‌های گمشده
• 20. جایگزینی داده‌های گمشده با میانگین یا میانه
• 21. کشف و مدیریت داده‌های پرت (Outliers)
• 22. روش‌های آماری برای تشخیص داده‌های پرت
• 23. تصویرسازی داده‌های پرت
• 24. حذف یا تبدیل داده‌های پرت
• 25. استانداردسازی و نرمال‌سازی داده‌ها
• 26. روش‌های استانداردسازی (Z-score)
• 27. روش‌های نرمال‌سازی (Min-Max)
• 28. کار با داده‌های متنی
• 29. پاکسازی رشته‌ها: حذف فضاهای خالی
• 30. تبدیل حروف بزرگ و کوچک
• 31. جستجو و جایگزینی در رشته‌ها
• 32. تقسیم رشته‌ها به بخش‌های کوچکتر
• 33. ترکیب رشته‌ها
• 34. مدیریت انواع داده‌های تاریخ و زمان
• 35. تبدیل رشته‌ها به فرمت تاریخ و زمان
• 36. استخراج اجزای تاریخ و زمان
• 37. محاسبات روی تاریخ و زمان
• 38. کار با داده‌های تکراری
• 39. شناسایی ردیف‌های تکراری
• 40. حذف ردیف‌های تکراری
• 41. کار با داده‌های ناسازگار
• 42. استانداردسازی نام‌ها و دسته‌بندی‌ها
• 43. مدیریت خطاهای املایی
• 44. اعتبارسنجی داده‌ها
• 45. تعریف قوانین اعتبارسنجی
• 46. اجرای قوانین اعتبارسنجی
• 47. گزارش‌دهی خطاهای اعتبارسنجی
• 48. تصویرسازی برای درک بهتر داده‌ها
• 49. نمودارهای پراکندگی (Scatter plots)
• 50. نمودارهای میله‌ای (Bar plots)
• 51. نمودارهای هیستوگرام (Histograms)
• 52. نمودارهای جعبه‌ای (Box plots)
• 53. نمودارهای خطی (Line plots)
• 54. کار با کتابخانه ggplot2 برای تصویرسازی پیشرفته
• 55. مقدمه‌ای بر مفاهیم پاکسازی داده در پروژه‌های واقعی
• 56. مطالعه موردی ۱: پاکسازی داده‌های فروش
• 57. مطالعه موردی ۲: آماده‌سازی داده‌های مشتریان
• 58. مطالعه موردی ۳: پاکسازی داده‌های سنسور
• 59. مقدمه‌ای بر کتابخانه‌های دیگر برای دستکاری داده
• 60. کار با data.table
• 61. کار با dplyr و tidyr در کنار هم
• 62. انتقال داده‌ها بین فرمت‌های مختلف
• 63. تبدیل داده‌ها از فرمت عریض به بلند (pivot_longer)
• 64. تبدیل داده‌ها از فرمت بلند به عریض (pivot_wider)
• 65. تکنیک‌های پیشرفته پاکسازی داده
• 66. مدیریت داده‌های چند-مقیاسی
• 67. کار با داده‌های شبکه‌ای
• 68. مقدمه‌ای بر یادگیری ماشین و نیاز به داده پاک
• 69. پاکسازی داده برای مدل‌های رگرسیون
• 70. پاکسازی داده برای مدل‌های طبقه‌بندی
• 71. پاکسازی داده برای مدل‌های خوشه‌بندی
• 72. ارزیابی کیفیت داده‌ها
• 73. متریک‌های کیفیت داده
• 74. فرآیند بهبود کیفیت داده
• 75. مستندسازی فرآیند پاکسازی داده
• 76. اهمیت مستندسازی برای تکرارپذیری
• 77. نوشتن اسکریپت‌های R برای پاکسازی داده
• 78. بهینه‌سازی کد R برای سرعت و کارایی
• 79. مقدمه‌ای بر ابزارهای اتوماسیون پاکسازی داده
• 80. بررسی و تحلیل الگوهای داده
• 81. کشف روابط پنهان در داده‌ها
• 82. استفاده از R برای اکتشاف داده‌ها
• 83. تکنیک‌های نمونه‌برداری از داده‌ها
• 84. مدیریت داده‌های بزرگ (Big Data) با R
• 85. مقدمه‌ای بر مفاهیم حریم خصوصی داده‌ها
• 86. اصول حفاظت از داده‌ها در R
• 87. قوانین و مقررات حفاظت از داده‌ها در ایران
• 88. رعایت حدود شرعی در تحلیل داده
• 89. پرهیز از ترویج موارد ممنوع
• 90. ضمانت انطباق محتوای تحلیلی با قوانین
• 91. ملاحظات اخلاقی در علم داده
• 92. مسئولیت‌پذیری تحلیلگر داده
• 93. جمع‌بندی و گام‌های بعدی در علم داده
• 94. پروژه‌های عملی برای تمرین مهارت‌ها
• 95. راهنمای منابع بیشتر برای یادگیری
• 96. آینده علم داده و پاکسازی داده