اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع تحلیل داده و یادگیری آماری با زبان برنامه‌نویسی R (مطابق با استانداردهای تحلیل علمی)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع تحلیل داده و یادگیری آماری با زبان برنامه‌نویسی R (مطابق با استانداردهای تحلیل علمی)

موضوع کلی: علوم داده و تحلیل‌های آماری

موضوع میانی: یادگیری ماشین و مدل‌سازی پیش‌بینی‌گر

📋 سرفصل‌های دوره

• 1. مبانی برنامه‌نویسی و ساختارهای داده در زبان R
• 2. آشنایی با محیط نرم‌افزاری RStudio و مدیریت بسته‌ها
• 3. مفاهیم پایه آمار توصیفی و تحلیل داده‌های عددی
• 4. تجسم داده‌ها با استفاده از کتابخانه ggplot2
• 5. آمار استنباطی و آزمون‌های فرض در تحلیل داده‌ها
• 6. مقدمه‌ای بر یادگیری آماری و مدل‌سازی پیش‌بینی‌گر
• 7. ارزیابی دقت مدل و مفاهیم سوگیری و واریانس
• 8. تبادل میان سوگیری و واریانس در مدل‌های پیش‌بینی
• 9. رگرسیون خطی ساده و مفروضات کلاسیک آن
• 10. رگرسیون خطی چندگانه و انتخاب متغیرهای مستقل
• 11. روش‌های ارزیابی کیفی مدل‌های رگرسیونی
• 12. تشخیص داده‌های پرت و اثرگذار در مدل‌سازی
• 13. روش‌های انتخاب مدل و کاهش ابعاد داده‌ها
• 14. رگرسیون چندجمله‌ای و مدل‌های غیرخطی
• 15. مبانی طبقه‌بندی و رگرسیون لجستیک
• 16. تحلیل توابع تفکیک‌کننده خطی و درجه دوم
• 17. روش‌های طبقه‌بندی غیرپارامتریک و همسایگی k-نزدیک
• 18. روش‌های نمونه‌گیری مجدد و اعتبارسنجی متقاطع
• 19. بوت‌استرپینگ و کاربرد آن در تخمین پارامترها
• 20. روش‌های انتخاب زیرمجموعه متغیرها و انقباض مدل
• 21. رگرسیون ریج و کاربرد آن در مدیریت هم‌خطی
• 22. رگرسیون لاسو و انتخاب ویژگی‌های مؤثر
• 23. کاهش ابعاد با تحلیل مؤلفه‌های اصلی
• 24. روش‌های مبتنی بر درخت‌های تصمیم‌گیری
• 25. الگوریتم‌های هرس درخت برای جلوگیری از بیش‌برازش
• 26. ترکیب مدل‌ها با روش بگینگ و جنگل‌های تصادفی
• 27. الگوریتم بوستینگ و بهبود عملکرد مدل‌های پیش‌بینی
• 28. ماشین بردار پشتیبان برای مسائل طبقه‌بندی
• 29. کاربرد هسته‌ها در ماشین بردار پشتیبان برای داده‌های غیرخطی
• 30. مبانی یادگیری بدون نظارت و تحلیل خوشه‌بندی
• 31. خوشه‌بندی سلسله‌مراتبی و روش‌های فاصله
• 32. خوشه‌بندی k-میانگین و تعیین تعداد بهینه خوشه‌ها
• 33. تحلیل مؤلفه‌های اصلی برای کاهش ابعاد بصری
• 34. پیش‌پردازش داده‌ها و مدیریت داده‌های مفقود
• 35. مهندسی ویژگی‌ها برای بهبود عملکرد مدل
• 36. آماده‌سازی داده‌ها برای مدل‌سازی در R
• 37. نرمال‌سازی و استانداردسازی متغیرها
• 38. استفاده از کتابخانه Caret برای خودکارسازی مدل‌سازی
• 39. ارزیابی عملکرد مدل‌های طبقه‌بندی با ماتریس اغتشاش
• 40. منحنی مشخصه عملکرد سیستم و سطح زیر منحنی
• 41. پیاده‌سازی مدل‌های ترکیبی در محیط R
• 42. تحلیل سری‌های زمانی و پیش‌بینی روندهای داده‌ای
• 43. مدل‌های میانگین متحرک خودبیش‌بین در تحلیل داده
• 44. اعتبارسنجی مدل‌های پیش‌بینی در شرایط واقعی
• 45. اخلاق در علم داده و حفظ حریم خصوصی کاربران
• 46. مستندسازی علمی و گزارش‌دهی نتایج تحلیل
• 47. پیاده‌سازی گزارش‌های پویا با استفاده از R Markdown
• 48. بهینه‌سازی کدهای R برای تحلیل مجموعه‌داده‌های بزرگ
• 49. مطالعه موردی تحلیل داده‌های اقتصادی در چارچوب علمی
• 50. مطالعه موردی تحلیل داده‌های اجتماعی مبتنی بر سلامت
• 51. پروژه نهایی تحلیل پیش‌بینی‌گر با داده‌های واقعی