دوره مقدمه‌ای بر برنامه‌نویسی با زبان R برای تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر برنامه‌نویسی با زبان R برای تحلیل داده

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: زبان‌های برنامه‌نویسی و ابزارهای تحلیل آماری

📋 سرفصل‌های دوره

• 1. مبانی تحلیل داده و نقش زبان R
• 2. آشنایی با مفاهیم پایه‌ای برنامه‌نویسی
• 3. نصب و راه‌اندازی محیط R و RStudio
• 4. اولین گام‌ها در R: دستورات اولیه و اشیاء
• 5. ساختار داده‌ها در R: بردارها
• 6. کار با انواع داده‌های عددی و منطقی
• 7. ساخت و دستکاری بردارها
• 8. مقدمه‌ای بر ماتریس‌ها و کاربرد آن‌ها
• 9. عملگرهای ماتریسی و محاسبات
• 10. کار با آرایه‌ها در R
• 11. مفاهیم پایه‌ای لیست‌ها در R
• 12. ساخت و مدیریت لیست‌ها
• 13. کار با دیتا فریم‌ها: ساختار جدولی داده‌ها
• 14. ایجاد و خواندن دیتا فریم‌ها
• 15. انتخاب و فیلتر کردن داده‌ها در دیتا فریم‌ها
• 16. اضافه کردن و حذف ستون‌ها در دیتا فریم‌ها
• 17. مرتب‌سازی دیتا فریم‌ها بر اساس ستون‌ها
• 18. فاکتورها در R: داده‌های دسته‌بندی شده
• 19. کار با داده‌های تاریخ و زمان در R
• 20. مقدمه‌ای بر رشته‌ها و کار با متن
• 21. عملیات پایه‌ای روی رشته‌ها
• 22. کار با بسته‌های نرم‌افزاری در R
• 23. نصب و بارگذاری بسته‌های مورد نیاز
• 24. مقدمه‌ای بر نمودارها و بصری‌سازی داده‌ها
• 25. رسم نمودارهای پایه: هیستوگرام و نمودار میله‌ای
• 26. نمودارهای پراکندگی و خطی
• 27. نمودارهای جعبه‌ای و ویولن
• 28. سفارشی‌سازی نمودارها: برچسب‌ها و عنوان‌ها
• 29. مقدمه‌ای بر برنامه‌نویسی تابعی در R
• 30. نوشتن توابع سفارشی در R
• 31. مفاهیم حلقه‌ها در R: for و while
• 32. دستورات شرطی: if, else, else if
• 33. کار با توابع apply family
• 34. مقدمه‌ای بر پاکسازی داده‌ها
• 35. شناسایی و مدیریت مقادیر گمشده (NA)
• 36. شناسایی و مدیریت داده‌های پرت (Outliers)
• 37. تبدیل و نرمال‌سازی داده‌ها
• 38. کار با داده‌های متنی: پردازش اولیه
• 39. مقدمه‌ای بر آماره توصیفی
• 40. محاسبه شاخص‌های مرکزی: میانگین، میانه، مد
• 41. محاسبه شاخص‌های پراکندگی: واریانس، انحراف معیار
• 42. محاسبه چارک‌ها و صدک‌ها
• 43. آزمون‌های آماری مقدماتی: t-test
• 44. آزمون کای‌دو (Chi-squared test)
• 45. مقدمه‌ای بر رگرسیون خطی ساده
• 46. اجرای مدل رگرسیون خطی در R
• 47. تفسیر نتایج رگرسیون خطی
• 48. مقدمه‌ای بر رگرسیون خطی چندگانه
• 49. اجرای مدل رگرسیون خطی چندگانه
• 50. تفسیر نتایج رگرسیون خطی چندگانه
• 51. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 52. اجرای تحلیل واریانس یک‌طرفه
• 53. تفسیر نتایج ANOVA
• 54. مقدمه‌ای بر تحلیل سری‌های زمانی
• 55. کار با داده‌های سری زمانی در R
• 56. رسم نمودارهای سری زمانی
• 57. مقدمه‌ای بر یادگیری ماشین
• 58. طبقه‌بندی داده‌ها: مفاهیم پایه
• 59. رگرسیون: مفاهیم پایه
• 60. الگوریتم K-نزدیک‌ترین همسایه (KNN)
• 61. پیاده‌سازی KNN در R
• 62. الگوریتم درخت تصمیم
• 63. پیاده‌سازی درخت تصمیم در R
• 64. مقدمه‌ای بر خوشه‌بندی
• 65. الگوریتم K-Means
• 66. پیاده‌سازی K-Means در R
• 67. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 68. مفاهیم اولیه NLP در R
• 69. پاکسازی متن برای NLP
• 70. کار با بسته‌های NLP مانند tm
• 71. تحلیل فراوانی کلمات
• 72. نمودارهای واژگانی
• 73. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 74. ساخت و مدیریت گراف‌ها در R
• 75. بصری‌سازی شبکه‌ها
• 76. محاسبه معیارهای مرکزی در شبکه‌ها
• 77. کار با داده‌های مکانی (Geospatial Data)
• 78. مفاهیم پایه‌ای داده‌های مکانی
• 79. بارگذاری و نمایش داده‌های مکانی در R
• 80. عملیات ساده روی داده‌های مکانی
• 81. مقدمه‌ای بر گزارش‌دهی با R Markdown
• 82. ساخت گزارش‌های پویا
• 83. تنظیمات قالب‌بندی در R Markdown
• 84. خروجی گرفتن از گزارش‌ها (HTML, PDF)
• 85. مقدمه‌ای بر بهینه‌سازی کد و کارایی
• 86. شناسایی گلوگاه‌های عملکردی
• 87. روش‌های بهبود سرعت اجرای کد
• 88. کار با داده‌های بزرگ: مفاهیم
• 89. مقدمه‌ای بر ابزارهای مدیریت پایگاه داده در R
• 90. اتصال به پایگاه داده‌های رابطه‌ای
• 91. پرس‌وجو از پایگاه داده با R
• 92. مقدمه‌ای بر اصول امنیت داده‌ها
• 93. مدیریت دسترسی به داده‌ها
• 94. اصول حفاظت از اطلاعات حساس
• 95. مقدمه‌ای بر اخلاق در تحلیل داده
• 96. مسئولیت‌پذیری در تحلیل داده
• 97. حفظ حریم خصوصی داده‌ها
• 98. اصول کار با داده‌های حساس
• 99. مقدمه‌ای بر کاربردهای پیشرفته R در صنعت
• 100. تحلیل داده در حوزه مالی