دوره تحلیل داده‌های آماری و پیش‌بینی با R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های آماری و پیش‌بینی با R

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: یادگیری آماری با نرم‌افزار R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های آماری
• 2. نصب و پیکربندی محیط R
• 3. آشنایی با ساختارهای داده در R
• 4. کار با بردارها و ماتریس‌ها
• 5. بررسی داده‌های جدولی و دیتافریم‌ها
• 6. مفاهیم پایه‌ای آمار توصیفی
• 7. محاسبه شاخص‌های مرکزی و پراکندگی
• 8. تصویرسازی داده‌ها با R
• 9. نمودارهای پراکندگی و خطی
• 10. نمودارهای میله‌ای و هیستوگرام
• 11. مقدمه‌ای بر مدل‌سازی آماری
• 12. رگرسیون خطی ساده
• 13. تفسیر ضرایب رگرسیون
• 14. ارزیابی مدل رگرسیون خطی
• 15. رگرسیون خطی چندگانه
• 16. انتخاب متغیر در مدل‌های رگرسیون
• 17. مقدمه‌ای بر رگرسیون لجستیک
• 18. مدل‌سازی طبقه‌بندی با رگرسیون لجستیک
• 19. ارزیابی مدل‌های طبقه‌بندی
• 20. مقدمه‌ای بر درخت‌های تصمیم
• 21. ساخت درخت‌های تصمیم ساده
• 22. بهینه‌سازی درخت‌های تصمیم
• 23. تقویت درخت‌ها (Boosting)
• 24. روش‌های Bagging و Random Forest
• 25. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 26. کاربرد SVM در طبقه‌بندی
• 27. کاربرد SVM در رگرسیون
• 28. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 29. شبکه‌های عصبی پرسپترون چندلایه
• 30. آموزش شبکه‌های عصبی
• 31. توابع فعال‌سازی در شبکه‌های عصبی
• 32. شبکه‌های عصبی کانولوشنی (CNN)
• 33. کاربرد CNN در پردازش تصویر
• 34. شبکه‌های عصبی بازگشتی (RNN)
• 35. کاربرد RNN در پردازش زبان طبیعی
• 36. مقدمه‌ای بر یادگیری بدون نظارت
• 37. خوشه‌بندی K-Means
• 38. ارزیابی خوشه‌بندی
• 39. تحلیل مولفه‌های اصلی (PCA)
• 40. کاربرد PCA در کاهش ابعاد
• 41. مقدمه‌ای بر مدل‌های مخلوط (Mixture Models)
• 42. مدل‌سازی گوسی مخلوط
• 43. مقدمه‌ای بر مدل‌های گرافیکی
• 44. شبکه‌های بیزی
• 45. مقدمه‌ای بر روش‌های کاهش خطا
• 46. اعتبارسنجی متقابل (Cross-Validation)
• 47. تنظیم فراپارامترها
• 48. مقدمه‌ای بر یادگیری تقویتی
• 49. کاربرد یادگیری تقویتی در مسائل تصمیم‌گیری
• 50. مقدمه‌ای بر پردازش زبان طبیعی با R
• 51. تحلیل احساسات متون
• 52. مدل‌سازی موضوعی (Topic Modeling)
• 53. مقدمه‌ای بر تحلیل سری‌های زمانی
• 54. مدل‌های ARIMA
• 55. پیش‌بینی با مدل‌های سری زمانی
• 56. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 57. چارچوب‌های یادگیری عمیق در R
• 58. کاربرد یادگیری عمیق در بینایی ماشین
• 59. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 60. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 61. مدل‌های خطی تعمیم‌یافته (GLM)
• 62. رگرسیون پواسون
• 63. رگرسیون دوجمله‌ای منفی
• 64. مقدمه‌ای بر مدل‌های احتمالاتی
• 65. شبکه‌های مارکوف پنهان (HMM)
• 66. کاربرد HMM در توالی‌یابی
• 67. مقدمه‌ای بر داده‌کاوی
• 68. قوانین وابستگی (Association Rules)
• 69. الگوریتم Apriori
• 70. مقدمه‌ای بر یادگیری ماشینی توزیع‌شده
• 71. کاربرد Spark با R
• 72. مقدمه‌ای بر ابزارهای بصری‌سازی پیشرفته
• 73. داشبوردهای تعاملی با Shiny
• 74. مقدمه‌ای بر اخلاق در علم داده
• 75. حریم خصوصی و امنیت داده‌ها
• 76. سوگیری در الگوریتم‌ها
• 77. مقدمه‌ای بر تفسیرپذیری مدل‌ها (XAI)
• 78. تکنیک‌های LIME و SHAP
• 79. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 80. کاربرد یادگیری انتقالی در بینایی ماشین
• 81. مقدمه‌ای بر مدل‌سازی سفارشی
• 82. طراحی و ساخت مدل‌های سفارشی
• 83. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 84. بهینه‌سازی مدل با الگوریتم‌های ژنتیک
• 85. مقدمه‌ای بر مدل‌های یادگیری ترکیبی (Ensemble Learning)
• 86. تکنیک‌های Stacking
• 87. مقدمه‌ای بر یادگیری بدون نیاز به داده برچسب‌دار (Semi-Supervised)
• 88. مقدمه‌ای بر یادگیری افزایشی (Incremental Learning)
• 89. مقدمه‌ای بر مدل‌های پیش‌بین مبتنی بر زمان
• 90. مقدمه‌ای بر مدل‌های یادگیری مکانی
• 91. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 92. شاخص‌های مرکزیت در شبکه‌ها
• 93. مقدمه‌ای بر مدل‌سازی پیش‌بین در کسب‌وکار
• 94. کاربرد علم داده در بازاریابی
• 95. کاربرد علم داده در امور مالی
• 96. کاربرد علم داده در سلامت
• 97. مقدمه‌ای بر مفاهیم پیشرفته آماری
• 98. آمار بیزی در R
• 99. مقدمه‌ای بر مدل‌سازی پویا
• 100. مقدمه‌ای بر تحلیل داده‌های حجیم (Big Data)