دوره استادی در آمار کاربردی مدرن با R: از تئوری تا پیاده‌سازی عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استادی در آمار کاربردی مدرن با R: از تئوری تا پیاده‌سازی عملی

موضوع کلی: علم داده

موضوع میانی: مدل‌سازی آماری

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و تفکر آماری
• 2. آشنایی با R و RStudio
• 3. انواع داده در R و مدیریت داده ها
• 4. آمار توصیفی و مصورسازی داده ها
• 5. احتمالات و توزیع های احتمالاتی پایه
• 6. توزیع نرمال و قضیه حد مرکزی
• 7. آزمون فرض آماری و مقدار p
• 8. فاصله اطمینان و برآورد پارامترها
• 9. آزمون های تی (t-tests) و تحلیل واریانس (ANOVA)
• 10. مدل خطی ساده: رگرسیون خطی
• 11. تشخیص و رفع مشکلات رگرسیون خطی ساده
• 12. رگرسیون چندگانه: مدل سازی با چند متغیر مستقل
• 13. انتخاب متغیر در رگرسیون چندگانه
• 14. متغیرهای دسته ای در رگرسیون
• 15. تعامل متغیرها در رگرسیون
• 16. تبدیل متغیرها در رگرسیون
• 17. رگرسیون خطی تعمیم یافته (GLM)
• 18. مدل لجستیک: پیش بینی متغیرهای دودویی
• 19. مدل پواسون: مدل سازی داده های شمارشی
• 20. مدل گاما: مدل سازی داده های مثبت پیوسته
• 21. تشخیص و رفع مشکلات GLM
• 22. تحلیل بقا: مقدمه و توابع بقا
• 23. مدل Cox proportional hazards
• 24. مدل های پارامتری برای تحلیل بقا
• 25. ارزیابی تناسب مدل بقا
• 26. تحلیل سری های زمانی: مفاهیم پایه
• 27. مدل های ARIMA: پیش بینی سری های زمانی
• 28. تخمین و ارزیابی مدل های ARIMA
• 29. پیش بینی با استفاده از سری های زمانی
• 30. روش های هموارسازی نمایی
• 31. رگرسیون غیرپارامتری: مقدمه
• 32. روش کرنل و همسایگی نزدیک
• 33. اسپلاین ها و GAM ها (Generalized Additive Models)
• 34. درخت های تصمیم: مقدمه
• 35. الگوریتم های C4.5 و CART
• 36. جنگل های تصادفی (Random Forests)
• 37. تقویت گرادیانی (Gradient Boosting)
• 38. ارزیابی مدل های درخت تصمیم
• 39. خوشه بندی: مقدمه و روش های K-means
• 40. خوشه بندی سلسله مراتبی (Hierarchical Clustering)
• 41. ارزیابی نتایج خوشه بندی
• 42. کاهش ابعاد: تحلیل مولفه های اصلی (PCA)
• 43. تحلیل فاکتور (Factor Analysis)
• 44. تحلیل متغیرهای پنهان (Latent Variable Analysis)
• 45. مدل سازی معادلات ساختاری (Structural Equation Modeling)
• 46. تحلیل شبکه (Network Analysis)
• 47. تحلیل متن (Text Mining): مقدمه و پیش پردازش
• 48. تحلیل احساسات (Sentiment Analysis)
• 49. مدل سازی موضوعی (Topic Modeling)
• 50. یادگیری ماشین: مقدمه و مفاهیم پایه
• 51. الگوریتم های یادگیری با ناظر (Supervised Learning)
• 52. الگوریتم های یادگیری بدون ناظر (Unsupervised Learning)
• 53. الگوریتم های یادگیری تقویتی (Reinforcement Learning)
• 54. انتخاب ویژگی (Feature Selection)
• 55. مهندسی ویژگی (Feature Engineering)
• 56. اعتبارسنجی متقابل (Cross-Validation)
• 57. بهینه سازی ابرپارامترها (Hyperparameter Tuning)
• 58. ارزیابی عملکرد مدل های یادگیری ماشین
• 59. مقدمه ای بر یادگیری عمیق (Deep Learning)
• 60. شبکه های عصبی مصنوعی (Artificial Neural Networks)
• 61. شبکه های عصبی کانولوشن (Convolutional Neural Networks)
• 62. شبکه های عصبی بازگشتی (Recurrent Neural Networks)
• 63. پیاده سازی شبکه های عصبی با استفاده از Keras/TensorFlow
• 64. تجزیه و تحلیل داده های بزرگ با R
• 65. اتصال R به پایگاه های داده (SQL, NoSQL)
• 66. محاسبات موازی در R
• 67. استفاده از Spark با R
• 68. مصورسازی داده های تعاملی با Shiny
• 69. تولید گزارش های پویا با R Markdown
• 70. توسعه پکیج های R
• 71. بهینه سازی کد R
• 72. مدیریت پروژه های علم داده
• 73. اخلاق در علم داده
• 74. مفاهیم استنتاج بیزی (Bayesian Inference)
• 75. مدل سازی بیزی با استفاده از Stan/JAGS
• 76. مونت کارلو زنجیره مارکوف (MCMC)
• 77. ارزیابی مدل های بیزی
• 78. مدل های بیزی سلسله مراتبی (Hierarchical Bayesian Models)
• 79. روش های نمونه برداری مجدد (Resampling Methods)
• 80. بوت استرپ (Bootstrap)
• 81. جکنایف (Jackknife)
• 82. آزمون های جایگشتی (Permutation Tests)
• 83. تحلیل فضایی (Spatial Analysis)
• 84. مدل های خطی فضایی (Spatial Linear Models)
• 85. جئوآمار (Geostatistics)
• 86. تجزیه و تحلیل داده های پانل (Panel Data Analysis)
• 87. مدل های اثرات ثابت (Fixed Effects Models)
• 88. مدل های اثرات تصادفی (Random Effects Models)
• 89. مدل های رگرسیونی با داده های سانسور شده (Censored Regression Models)
• 90. مدل های توبیت (Tobit Models)
• 91. داده های از دست رفته (Missing Data): روش ها و تکنیک ها
• 92. تکمیل چندگانه (Multiple Imputation)
• 93. انتساب میانگین (Mean Imputation)
• 94. تجزیه و تحلیل همبستگی متعارف (Canonical Correlation Analysis)
• 95. تحلیل مسیر (Path Analysis)
• 96. کاربرد علم داده در حوزه های مختلف: مالی، پزشکی، بازاریابی و غیره
• 97. مطالعات موردی در علم داده
• 98. چالش های رایج در پروژه های علم داده و راه حل ها
• 99. آینده علم داده و مسیرهای شغلی