دوره آموزش جامع و گام به گام R برای تحلیل داده و رسم نمودار (R for Everyone) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع و گام به گام R برای تحلیل داده و رسم نمودار (R for Everyone)

موضوع کلی: آمار و تحلیل داده با زبان R

موضوع میانی: پیش‌نیازها و مقدمات زبان R

📋 سرفصل‌های دوره

• 1. نصب R و RStudio: محیط کار شما
• 2. تور RStudio: آشنایی با پنل‌ها
• 3. پروژه‌های R: مدیریت کد و داده
• 4. مفاهیم پایه R: شیء، تابع، آرگومان
• 5. کار با اسکریپت‌های R: نوشتن و اجرا
• 6. انواع داده در R: عددی، کاراکتری، منطقی
• 7. معرفی وکتورها: ساخت و دستکاری
• 8. فاکتورها: مدیریت داده‌های دسته‌ای
• 9. معرفی ماتریس‌ها: ساخت و عملیات پایه
• 10. لیست‌ها: ساختارهای داده انعطاف‌پذیر
• 11. دیتافریم‌ها: ستون و ردیف، قلب تحلیل داده
• 12. دسترسی به عناصر دیتافریم: ($، [], [[]])
• 13. وارد کردن داده از CSV: read.csv و read_csv
• 14. وارد کردن داده از Excel: پکیج readxl
• 15. وارد کردن داده از پایگاه داده: DBI و RMySQL/RPostgreSQL
• 16. خروجی گرفتن داده: ذخیره سازی به فرمت‌های مختلف
• 17. توابع پایه R: کار با وکتورها و ماتریس‌ها
• 18. توابع پرکاربرد ریاضی: sum, mean, median, sd
• 19. توابع کاراکتری: paste, substr, grep
• 20. توابع منطقی: ifelse, any, all
• 21. فیلتر کردن ردیف‌ها با base R
• 22. انتخاب ستون‌ها با base R
• 23. تغییر نام ستون‌ها با base R
• 24. افزودن ستون جدید با base R
• 25. ادغام دیتافریم‌ها: cbind, rbind
• 26. ادغام دیتافریم‌ها: merge
• 27. معرفی Tidyverse: فلسفه و ابزارها
• 28. پکیج dplyr: هسته دستکاری داده
• 29. select(): انتخاب و حذف ستون‌ها
• 30. filter(): فیلتر کردن ردیف‌ها
• 31. mutate(): ایجاد و تغییر ستون‌ها
• 32. arrange(): مرتب سازی داده‌ها
• 33. summarise() و group_by(): خلاصه سازی گروه‌بندی شده
• 34. pipe operator (%>%) : خوانایی کد
• 35. join ها در dplyr: ادغام دیتافریم‌ها (inner, left, right, full)
• 36. پکیج tidyr: تغییر شکل داده
• 37. pivot_longer(): تبدیل داده از عرضی به طولی
• 38. pivot_wider(): تبدیل داده از طولی به عرضی
• 39. separate() و unite(): تقسیم و ادغام ستون‌ها
• 40. مدیریت مقادیر گمشده (NA)
• 41. شناسایی و حذف ردیف‌های دارای NA
• 42. جایگزینی مقادیر NA
• 43. کار با داده‌های تاریخ و زمان: lubridate
• 44. کار با داده‌های متنی: stringr
• 45. تشخیص و مدیریت مقادیر پرت (Outliers)
• 46. تغییر نوع داده (Type Conversion)
• 47. مقدمه‌ای بر رسم نمودار در R
• 48. معرفی ggplot2: گرامر گرافیک
• 49. ساختار اصلی ggplot2: aes, geom, data
• 50. نمودار پراکندگی (Scatter Plot)
• 51. نمودار خطی (Line Plot)
• 52. نمودار میله‌ای (Bar Plot)
• 53. هیستوگرام (Histogram)
• 54. نمودار جعبه‌ای (Box Plot)
• 55. نمودار چگالی (Density Plot)
• 56. شخصی‌سازی نمودارها: برچسب‌ها و عنوان‌ها
• 57. تغییر رنگ و شکل نقاط/خطوط
• 58. تم‌ها در ggplot2: ظاهر کلی نمودار
• 59. Faceting: تقسیم نمودارها بر اساس گروه‌ها
• 60. ذخیره نمودارها: ggsave
• 61. مقدمه‌ای بر آمار توصیفی
• 62. معیارهای گرایش مرکزی: میانگین، میانه، مد
• 63. معیارهای پراکندگی: واریانس، انحراف معیار، دامنه
• 64. نمایش تصویری داده‌های توصیفی
• 65. مقدمه‌ای بر آمار استنباطی
• 66. مفاهیم احتمال و توزیع‌ها (نرمال، پواسون)
• 67. آزمون فرضیه: H0, H1, p-value
• 68. آزمون‌های t: مقایسه میانگین دو گروه (یک نمونه‌ای، مستقل، زوجی)
• 69. آنالیز واریانس (ANOVA): مقایسه میانگین چند گروه
• 70. ANOVA دو طرفه و تعاملات
• 71. همبستگی (Correlation): پیرسون، اسپیرمن
• 72. رگرسیون خطی ساده: مدل‌سازی رابطه بین دو متغیر
• 73. تفسیر خروجی مدل رگرسیون خطی
• 74. رگرسیون خطی چندگانه: چندین پیش‌بینی‌کننده
• 75. فرضیات رگرسیون خطی و بررسی آن‌ها
• 76. آزمون خی دو (Chi-squared test): رابطه بین متغیرهای دسته‌ای
• 77. آزمون‌های ناپارامتری: مقدمه
• 78. آزمون ویلکاکسون (Wilcoxon): جایگزین t-test
• 79. آزمون کروسکال-والیس (Kruskal-Wallis): جایگزین ANOVA
• 80. مقدمه‌ای بر رگرسیون لجستیک: پیش‌بینی متغیرهای دوتایی
• 81. تفسیر خروجی رگرسیون لجستیک
• 82. معرفی سری‌های زمانی
• 83. تجزیه سری‌های زمانی: روند، فصلی، باقیمانده
• 84. مدل‌های ARIMA: خودهمبستگی و میانگین متحرک
• 85. پیش‌بینی با مدل‌های سری زمانی
• 86. مقدمه‌ای بر یادگیری ماشین در R
• 87. تقسیم داده به مجموعه آموزش و آزمون
• 88. رگرسیون k-نزدیکترین همسایه (k-NN)
• 89. درخت‌های تصمیم (Decision Trees)
• 90. جنگل‌های تصادفی (Random Forests)
• 91. ماشین‌های بردار پشتیبان (SVM)
• 92. ارزیابی مدل‌های طبقه‌بندی: دقت، حساسیت، ویژگی
• 93. مقدمه‌ای بر یادگیری ماشین بدون نظارت
• 94. خوشه‌بندی K-Means
• 95. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 96. تحلیل مولفه‌های اصلی (PCA): کاهش ابعاد
• 97. تعریف توابع در R: ایجاد کد قابل استفاده مجدد
• 98. حلقه‌ها (Loops) و توابع apply (sapply, lapply)
• 99. گزارش‌دهی با R Markdown: مستندات پویا
• 100. معرفی Shiny: ساخت وب‌اپلیکیشن‌های تعاملی