دوره تحلیل داده‌های پیشرفته و یادگیری ماشین با R: از مبانی تا کاربردها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های پیشرفته و یادگیری ماشین با R: از مبانی تا کاربردها

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: تحلیل داده‌ها و یادگیری ماشین با زبان R

📋 سرفصل‌های دوره

• 1. مبانی علوم داده و هوش مصنوعی
• 2. مقدمه ای بر زبان برنامه نویسی R
• 3. نصب و پیکربندی R و RStudio
• 4. مفاهیم پایه ای در R: متغیرها، انواع داده
• 5. ساختارهای داده ای در R: وکتورها، ماتریس ها
• 6. کار با لیست ها و فریم های داده
• 7. عملیات پایه ای با فریم های داده
• 8. مقدمه ای بر بسته ها و مدیریت آنها
• 9. نصب و بارگذاری بسته های پرکاربرد
• 10. مقدمه ای بر تحلیل داده ها
• 11. مراحل فرآیند تحلیل داده
• 12. جمع آوری و پاکسازی داده ها
• 13. شناسایی و مدیریت مقادیر گمشده
• 14. شناسایی و مدیریت داده های پرت
• 15. کاوش داده ها با استفاده از آمار توصیفی
• 16. مصورسازی داده ها در R: نمودارهای پایه
• 17. نمودارهای میله ای و هیستوگرام
• 18. نمودارهای پراکندگی و خطی
• 19. نمودارهای جعبه ای و ویولن
• 20. کتابخانه ggplot2 برای مصورسازی پیشرفته
• 21. اصول طراحی نمودارهای موثر
• 22. فیلتر کردن و انتخاب داده ها
• 23. مرتب سازی و گروه بندی داده ها
• 24. ترکیب و ادغام فریم های داده
• 25. عملیات الحاق و پیوند داده ها
• 26. مقدمه ای بر یادگیری ماشین
• 27. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 28. یادگیری نظارت شده: رگرسیون و طبقه بندی
• 29. یادگیری بدون نظارت: خوشه بندی و کاهش ابعاد
• 30. ارزیابی مدل های یادگیری ماشین
• 31. متریک های ارزیابی برای رگرسیون
• 32. متریک های ارزیابی برای طبقه بندی
• 33. مقدمه ای بر رگرسیون خطی
• 34. تنظیم مدل رگرسیون خطی
• 35. پیش پردازش داده ها برای رگرسیون
• 36. مدل های رگرسیون پیشرفته
• 37. مقدمه ای بر طبقه بندی
• 38. رگرسیون لجستیک
• 39. تنظیم مدل رگرسیون لجستیک
• 40. درختان تصمیم برای طبقه بندی
• 41. قوانین انجمنی و تحلیل سبد خرید
• 42. مقدمه ای بر خوشه بندی
• 43. الگوریتم K-Means
• 44. ارزیابی خوشه ها
• 45. مقدمه ای بر کاهش ابعاد
• 46. تحلیل مولفه های اصلی (PCA)
• 47. استفاده از PCA در تحلیل داده
• 48. یادگیری عمیق و شبکه های عصبی
• 49. مقدمه ای بر یادگیری عمیق
• 50. شبکه های عصبی پرسپترون چند لایه
• 51. آموزش شبکه های عصبی
• 52. کار با چارچوب های یادگیری عمیق در R
• 53. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 54. پیش پردازش متن
• 55. مدل سازی موضوعی
• 56. تحلیل احساسات
• 57. یادگیری ماشین برای تحلیل سری های زمانی
• 58. مدل های ARIMA
• 59. پیش بینی با استفاده از سری های زمانی
• 60. یادگیری تقویتی
• 61. مقدمه ای بر یادگیری تقویتی
• 62. عوامل و محیط در یادگیری تقویتی
• 63. الگوریتم های Q-Learning
• 64. کاربردها و چالش های یادگیری تقویتی
• 65. اخلاق در علوم داده و هوش مصنوعی
• 66. حریم خصوصی داده ها
• 67. سوگیری در الگوریتم ها
• 68. مسئولیت پذیری در هوش مصنوعی
• 69. امنیت در علوم داده
• 70. مصورسازی داده های پیشرفته در R
• 71. طراحی داشبوردهای تعاملی
• 72. کتابخانه Shiny برای ساخت برنامه های وب
• 73. کار با پایگاه داده ها در R
• 74. اتصال به پایگاه داده های مختلف
• 75. استفاده از SQL در R
• 76. مدیریت پروژه های علوم داده
• 77. مستندسازی کد و نتایج
• 78. اشتراک گذاری نتایج و گزارش دهی
• 79. کاربردها در حوزه های مختلف (مالی، پزشکی)
• 80. تحلیل داده های مالی با R
• 81. تحلیل داده های پزشکی با R
• 82. مقدمه ای بر یادگیری ماشین با استفاده از داده های سلامت
• 83. تحلیل داده های اجتماعی و اقتصادی
• 84. مدل سازی پیش بینی کننده در کسب و کار
• 85. کاربرد هوش مصنوعی در اتوماسیون
• 86. تکنیک های پیشرفته پاکسازی داده
• 87. بایاس و واریانس در مدل ها
• 88. اعتبارسنجی متقابل (Cross-Validation)
• 89. مهندسی ویژگی (Feature Engineering)
• 90. مدل های Ensemble (Bagging, Boosting)
• 91. معرفی الگوریتم های پیچیده تر (SVM, KNN)
• 92. کاربردها در اینترنت اشیا (IoT)
• 93. تحلیل داده های تصویری با R
• 94. مقدمه ای بر یادگیری ماشینی با استفاده از داده های حجیم
• 95. استفاده از R در محیط های کلان داده (Big Data)
• 96. پروژه عملی تحلیل داده و یادگیری ماشین
• 97. جمع بندی و مسیر آینده در علوم داده