دوره آموزش R برای علم داده: Tidyverse و ggplot2 همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش R برای علم داده: Tidyverse و ggplot2

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی R
• 2. نصب و پیکربندی R و RStudio
• 3. آشنایی با محیط RStudio
• 4. انواع داده‌ها در R
• 5. بردارها و عملیات بر روی آن‌ها
• 6. ماتریس‌ها و عملیات بر روی آن‌ها
• 7. آرایه‌ها و عملیات بر روی آن‌ها
• 8. فهرست‌ها و کاربردهایشان
• 9. دیتافریم‌ها و ساختار آن‌ها
• 10. بارگذاری و ذخیره داده‌ها در R
• 11. عملیات پایه‌ای بر روی دیتافریم‌ها
• 12. فیلتر کردن داده‌ها در دیتافریم
• 13. انتخاب ستون‌ها در دیتافریم
• 14. مرتب‌سازی داده‌ها در دیتافریم
• 15. توابع کاربردی برای کار با داده‌ها
• 16. آشنایی با بسته Tidyverse
• 17. نصب و بارگذاری بسته‌های Tidyverse
• 18. مفهوم Pipe (%>%) در Tidyverse
• 19. کار با تابع filter()
• 20. کار با تابع select()
• 21. کار با تابع arrange()
• 22. کار با تابع mutate()
• 23. کار با تابع summarise()
• 24. کار با تابع group_by()
• 25. ترکیب توابع Tidyverse
• 26. مقدمه‌ای بر ggplot2
• 27. اجزای اصلی نمودار در ggplot2
• 28. ایجاد نمودارهای پراکندگی (Scatter Plot)
• 29. ایجاد نمودارهای خطی (Line Plot)
• 30. ایجاد نمودارهای ستونی (Bar Plot)
• 31. ایجاد نمودارهای هیستوگرام (Histogram)
• 32. ایجاد نمودارهای جعبه‌ای (Box Plot)
• 33. ایجاد نمودارهای چگالی (Density Plot)
• 34. تنظیم زیبایی‌شناسی (Aesthetics) نمودارها
• 35. تغییر مقیاس محورها
• 36. تنظیم برچسب‌ها و عنوان نمودار
• 37. استفاده از لایه‌های اضافی در ggplot2
• 38. رنگ‌آمیزی نمودارها بر اساس گروه‌ها
• 39. استفاده ازfacet‌ها برای نمایش چند نمودار
• 40. نمودارهای پیشرفته با ggplot2
• 41. کار با داده‌های زمانی در R
• 42. پیش‌پردازش داده‌های زمانی
• 43. رسم نمودارهای سری زمانی
• 44. تحلیل اکتشافی داده‌ها (EDA)
• 45. خلاصه‌سازی آماری داده‌ها
• 46. شناسایی و مدیریت مقادیر گمشده
• 47. شناسایی و مدیریت داده‌های پرت
• 48. تجسم داده‌های گم‌شده
• 49. تجسم داده‌های پرت
• 50. مقدمه‌ای بر مدل‌سازی در R
• 51. رگرسیون خطی ساده
• 52. رگرسیون خطی چندگانه
• 53. ارزیابی مدل رگرسیون
• 54. مقدمه‌ای بر یادگیری ماشین
• 55. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 56. آموزش مدل‌های دسته‌بندی
• 57. ارزیابی مدل‌های دسته‌بندی
• 58. مقدمه‌ای بر خوشه‌بندی
• 59. الگوریتم K-Means
• 60. تجسم نتایج خوشه‌بندی
• 61. مقدمه‌ای بر تحلیل آماری
• 62. آزمون فرض آماری
• 63. آزمون t
• 64. آزمون ANOVA
• 65. مقدمه‌ای بر پردازش متن
• 66. پاک‌سازی متن
• 67. تبدیل متن به بردارهای عددی
• 68. کار با بسته‌های پردازش متن
• 69. تحلیل احساسات متنی
• 70. مقدمه‌ای بر تحلیل شبکه
• 71. نمایش گراف‌ها
• 72. محاسبه معیارهای شبکه
• 73. کار با بسته‌های تحلیل شبکه
• 74. مقدمه‌ای بر داده‌های مکانی
• 75. بارگذاری داده‌های مکانی
• 76. نمایش داده‌های مکانی
• 77. تحلیل‌های مکانی ساده
• 78. کار با بسته‌های داده‌های مکانی
• 79. مقدمه‌ای بر بهینه‌سازی
• 80. توابع هدف و قیود
• 81. حل مسائل بهینه‌سازی ساده
• 82. مقدمه‌ای بر هوش تجاری
• 83. ساخت داشبوردهای ساده
• 84. تجسم داده‌ها برای تصمیم‌گیری
• 85. مقدمه‌ای بر تعامل در R
• 86. ایجاد برنامه‌های تعاملی با Shiny
• 87. طراحی رابط کاربری Shiny
• 88. مدیریت رویدادها در Shiny
• 89. استقرار برنامه‌های Shiny
• 90. مقدمه‌ای بر بهترین شیوه‌ها در R
• 91. مدیریت کد و سازماندهی پروژه‌ها
• 92. نوشتن کد قابل خواندن و مستندسازی
• 93. استفاده از کنترل نسخه (Git)
• 94. مقدمه‌ای بر یادگیری عمیق در R
• 95. کار با بسته‌های یادگیری عمیق
• 96. شبکه‌های عصبی ساده
• 97. مقدمه‌ای بر پردازش تصویر
• 98. بارگذاری و نمایش تصاویر
• 99. عملیات پایه‌ای بر روی تصاویر
• 100. مقدمه‌ای بر داده‌های صوتی