اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش جامع مدل‌سازی آماری با استفاده از زبان R و چارچوب Tidymodels جهت تحلیل داده‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع مدل‌سازی آماری با استفاده از زبان R و چارچوب Tidymodels جهت تحلیل داده‌های کاربردی

موضوع کلی: علوم داده و تحلیل‌های آماری

موضوع میانی: مدل‌سازی پیش‌بینانه و تحلیل رگرسیون

📋 سرفصل‌های دوره

• 1. مبانی تحلیل آماری و نقش مدل‌سازی در علوم داده
• 2. آشنایی با محیط برنامه‌نویسی R و نصب بسته‌های مورد نیاز
• 3. مفاهیم پایه در مدل‌سازی پیش‌بینانه و انواع متغیرها
• 4. آماده‌سازی داده‌ها و مدیریت مقادیر مفقود در R
• 5. تحلیل اکتشافی داده‌ها و مصورسازی روابط بین متغیرها
• 6. مفهوم رگرسیون خطی ساده و برازش مدل
• 7. استنباط آماری و بررسی فرض‌های رگرسیون خطی
• 8. معرفی چارچوب Tidymodels و ساختار کاری آن
• 9. تقسیم‌بندی داده‌ها به مجموعه‌های آموزش و آزمون
• 10. پیش‌پردازش داده‌ها با استفاده از بسته Recipes
• 11. تعریف مدل‌ها با استفاده از تابع Parabolic و Engine
• 12. ارزیابی عملکرد مدل‌های رگرسیونی با معیارهای آماری
• 13. رگرسیون چندگانه و بررسی اثر متغیرهای مستقل
• 14. تحلیل هم‌خطی و روش‌های تشخیص آن
• 15. استانداردسازی متغیرها و مقیاس‌گذاری داده‌ها
• 16. مدل‌سازی تعاملی و بررسی اثرات متقابل متغیرها
• 17. استفاده از متغیرهای طبقه‌بندی شده در مدل‌سازی
• 18. تنظیم فراپارامترها و بهینه‌سازی مدل
• 19. اعتبارسنجی متقاطع و اهمیت آن در جلوگیری از بیش‌برازش
• 20. شناسایی داده‌های پرت و تأثیر آن‌ها بر دقت مدل
• 21. رگرسیون لجستیک برای مسائل طبقه‌بندی دودویی
• 22. استفاده از Workflow در Tidymodels برای یکپارچه‌سازی فرآیندها
• 23. کاربرد مدل‌های خطی تعمیم‌یافته
• 24. روش‌های انتخاب ویژگی برای بهبود کارایی مدل
• 25. تفسیر ضرایب مدل و معنا‌داری آماری
• 26. ارزیابی مدل‌های طبقه‌بندی با ماتریس درهم‌ریختگی
• 27. منحنی‌های ROC و AUC در ارزیابی مدل
• 28. مدل‌سازی غیرخطی با استفاده از توابع چندجمله‌ای
• 29. آشنایی با مدل‌های رگرسیون با جریمه (Ridge و Lasso)
• 30. تحلیل بقا و کاربردهای آن در مدل‌سازی پیش‌بینانه
• 31. کاربرد مدل‌های درختی در پیش‌بینی
• 32. روش‌های ترکیبی و جنگل‌های تصادفی در R
• 33. استفاده از بسته‌های کمکی برای گزارش‌گیری آماری
• 34. مستندسازی فرآیند تحلیل با استفاده از R Markdown
• 35. اخلاق در تحلیل داده و رعایت حریم خصوصی در پروژه‌های آماری
• 36. پیاده‌سازی یک پروژه جامع تحلیل داده‌های کاربردی
• 37. بررسی خطاهای رایج در مدل‌سازی و روش‌های رفع آن‌ها
• 38. بهینه‌سازی محاسباتی در مدل‌های بزرگ
• 39. ارائه نتایج مدل‌سازی به ذینفعان و تصمیم‌گیران
• 40. توسعه و استقرار مدل‌های پیش‌بینانه در محیط‌های کاربردی