اپلیکیشن اندرویدی فلش‌کارت آموزشی تسلط بر پاکسازی و سازماندهی داده‌ها با استفاده از Tidyverse و Data.table

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر پاکسازی و سازماندهی داده‌ها با استفاده از Tidyverse و Data.table

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: پیش‌پردازش و مدیریت داده‌ها با زبان برنامه‌نویسی R

📋 سرفصل‌های دوره (100 موضوع)

• 1. آشنایی با محیط برنامه‌نویسی R و نصب بسته‌های ضروری
• 2. مبانی ساختار داده‌ها در R و تفاوت بردارها و لیست‌ها
• 3. معرفی کتابخانه Tidyverse و فلسفه داده‌های مرتب
• 4. آشنایی با بسته data.table و کارایی در پردازش داده‌های حجیم
• 5. وارد کردن داده‌ها از فرمت‌های CSV و اکسل به محیط R
• 6. بررسی اولیه ساختار داده‌ها با دستورات پایه
• 7. شناسایی مقادیر گمشده و راهکارهای مدیریت آن‌ها
• 8. روش‌های حذف یا جایگزینی داده‌های ناقص
• 9. تغییر نام ستون‌ها و مدیریت متغیرها با dplyr
• 10. فیلتر کردن ردیف‌ها بر اساس شرط‌های منطقی
• 11. مرتب‌سازی داده‌ها با استفاده از آرایش صعودی و نزولی
• 12. انتخاب ستون‌های مورد نیاز و حذف ستون‌های اضافی
• 13. ایجاد متغیرهای جدید مبتنی بر محاسبات ریاضی
• 14. تغییر فرمت داده‌ها از حالت گسترده به طولانی
• 15. تغییر فرمت داده‌ها از حالت طولانی به گسترده
• 16. ادغام جداول با استفاده از عملگرهای Join
• 17. الحاق افقی و عمودی مجموعه‌داده‌ها
• 18. پاکسازی داده‌های متنی و کار با رشته‌ها در stringr
• 19. مدیریت تاریخ و زمان در R با بسته lubridate
• 20. کار با عوامل و متغیرهای دسته‌ای در forcats
• 21. شناسایی و حذف داده‌های تکراری
• 22. تبدیل انواع داده‌ها به یکدیگر
• 23. کار با توابع شرطی و منطقی در پاکسازی داده‌ها
• 24. استفاده از pipe برای زنجیره‌سازی عملیات در Tidyverse
• 25. بهینه‌سازی عملیات در data.table با استفاده از کلیدها
• 26. فیلتر کردن سریع داده‌ها در data.table
• 27. تغییر مقادیر ستون‌ها به صورت درجا با عملگر آدرس‌دهی
• 28. گروه‌بندی داده‌ها و خلاصه سازی با summarize
• 29. استفاده از عملیات میان‌بر در data.table
• 30. مدیریت حافظه در پردازش مجموعه‌داده‌های بزرگ
• 31. اعتبارسنجی داده‌ها و بررسی صحت مقادیر
• 32. تشخیص و برخورد با داده‌های پرت
• 33. استانداردسازی مقیاس داده‌های عددی
• 34. کار با داده‌های سلسله‌مراتبی و تو در تو
• 35. خروجی گرفتن از داده‌های پاکسازی شده
• 36. مستندسازی مراحل پاکسازی داده‌ها
• 37. اصول اخلاقی در مدیریت و محرمانگی داده‌ها
• 38. تکنیک‌های خودکارسازی فرآیند پاکسازی با توابع
• 39. رفع خطاهای رایج در حین پردازش داده‌ها
• 40. پروژه نهایی سازماندهی یک مجموعه داده واقعی