اپلیکیشن اندرویدی فلش‌کارت آموزشی تسلط بر پاک‌سازی و آماده‌سازی داده‌های پژوهشی با R (مبتنی بر استانداردهای تحلیل داده)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر پاک‌سازی و آماده‌سازی داده‌های پژوهشی با R (مبتنی بر استانداردهای تحلیل داده)

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: پیش‌پردازش و آماده‌سازی داده‌ها با زبان برنامه‌نویسی R

📋 سرفصل‌های دوره

• 1. مبانی محیط برنامه‌نویسی R و نصب بسته‌های مورد نیاز
• 2. آشنایی با ساختارهای داده‌ای در R شامل وکتورها و دیتافریم‌ها
• 3. وارد کردن داده‌ها از فایل‌های متنی و CSV به محیط R
• 4. وارد کردن داده‌ها از اکسل و سایر فرمت‌های استاندارد
• 5. بررسی اولیه کیفیت داده‌ها و شناسایی مقادیر مفقود
• 6. استفاده از بسته Tidyverse برای مدیریت بهینه داده‌ها
• 7. تغییر نام ستون‌ها و مدیریت متغیرها برای تحلیل دقیق
• 8. فیلتر کردن ردیف‌ها بر اساس معیارهای منطقی و پژوهشی
• 9. مرتب‌سازی داده‌ها و انتخاب زیرمجموعه‌های مورد نیاز
• 10. شناسایی و مدیریت مقادیر گم‌شده یا NA در مجموعه‌داده‌ها
• 11. جایگزینی مقادیر مفقود با استفاده از روش‌های آماری استاندارد
• 12. تغییر نوع داده‌ها در R و تبدیل متغیرها به فاکتور
• 13. مدیریت تاریخ‌ها و زمان‌ها با بسته Lubridate
• 14. استخراج مؤلفه‌های زمانی از داده‌های سری‌زمانی
• 15. ادغام جداول مختلف با استفاده از توابع Join
• 16. اتصال و ترکیب مجموعه‌داده‌های چندگانه با توابع Bind
• 17. حذف ردیف‌های تکراری و پاک‌سازی نویزهای داده‌ای
• 18. تغییر ساختار داده‌ها از حالت عریض به بلند با Tidyr
• 19. تغییر ساختار داده‌ها از حالت بلند به عریض برای تحلیل‌های آماری
• 20. جداسازی ستون‌های ترکیبی به چندین متغیر مجزا
• 21. ترکیب ستون‌های مجزا برای ایجاد متغیرهای جدید
• 22. کار با داده‌های متنی و استخراج الگوها در R
• 23. پاک‌سازی رشته‌های متنی و حذف کاراکترهای اضافی
• 24. ایجاد متغیرهای محاسباتی جدید بر اساس ستون‌های موجود
• 25. استفاده از توابع شرطی برای گروه‌بندی داده‌ها
• 26. محاسبات آماری توصیفی بر روی گروه‌های داده‌ای
• 27. شناسایی داده‌های پرت با استفاده از روش‌های چارک‌بندی
• 28. مدیریت مقادیر پرت و تصمیم‌گیری برای حذف یا اصلاح آن‌ها
• 29. نرمال‌سازی داده‌ها برای تحلیل‌های کمی
• 30. استانداردسازی مقادیر عددی در فرآیند آماده‌سازی
• 31. اعتبارسنجی داده‌ها در برابر محدودیت‌های منطقی
• 32. ایجاد گزارش‌های خودکار از فرآیند پاک‌سازی داده‌ها
• 33. ذخیره‌سازی داده‌های آماده‌شده در فرمت‌های استاندارد پژوهشی
• 34. بهینه‌سازی کدهای آماده‌سازی داده برای مجموعه‌های بزرگ
• 35. استفاده از توابع شخصی‌سازی شده برای تکرار فرآیند پاک‌سازی
• 36. مدیریت خطاهای رایج در هنگام خواندن و نوشتن داده‌ها
• 37. مستندسازی مراحل آماده‌سازی داده‌ها برای تکرارپذیری پژوهش
• 38. اصول اخلاق در مدیریت داده‌های پژوهشی و رعایت حریم خصوصی
• 39. بازبینی نهایی کیفیت داده‌ها پیش از تحلیل آماری
• 40. ترسیم نمودارهای اولیه برای ارزیابی توزیع داده‌ها پس از پاک‌سازی