دوره آموزش جامع و کاربردی تحلیل داده‌ها با زبان برنامه‌نویسی R (از مقدماتی تا پیشرفته) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع و کاربردی تحلیل داده‌ها با زبان برنامه‌نویسی R (از مقدماتی تا پیشرفته)

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: برنامه‌نویسی و پردازش اطلاعات با زبان R

📋 سرفصل‌های دوره

• 1. آشنایی با محیط برنامه‌نویسی R و نصب نرم‌افزار
• 2. معرفی محیط کاربری RStudio و مدیریت پروژه
• 3. انواع داده‌های پایه در زبان R
• 4. متغیرها و قوانین نام‌گذاری در برنامه‌نویسی
• 5. کار با بردارها و تعریف آرایه‌ها
• 6. عملیات ریاضی و توابع محاسباتی پایه
• 7. مدیریت بردارهای منطقی و مقایسه‌ای
• 8. آشنایی با ماتریس‌ها و عملیات ماتریسی
• 9. کار با آرایه‌های چندبعدی در تحلیل داده
• 10. ساخت و مدیریت لیست‌ها در R
• 11. کار با چارچوب‌های داده یا دیتافریم‌ها
• 12. فراخوانی و بارگذاری داده‌های خام از فایل‌های متنی
• 13. وارد کردن داده از فایل‌های اکسل و فرمت‌های استاندارد
• 14. بازرسی اولیه و مشاهده ساختار داده‌ها
• 15. فیلتر کردن و انتخاب زیرمجموعه‌ای از داده‌ها
• 16. تغییر نام و اصلاح ستون‌های دیتافریم
• 17. کار با مقادیر گمشده و مدیریت داده‌های ناقص
• 18. مرتب‌سازی داده‌ها بر اساس متغیرهای خاص
• 19. استفاده از توابع جایگذاری و تغییر مقادیر
• 20. ساخت متغیرهای جدید و محاسباتی در دیتافریم
• 21. آشنایی با ساختارهای کنترلی و دستورات شرطی
• 22. حلقه‌های تکرار و کاربرد آن‌ها در پردازش داده
• 23. تعریف توابع شخصی‌سازی شده و مدیریت ورودی‌ها
• 24. کار با توابع خانواده Apply برای بهینه‌سازی کد
• 25. مقدمه‌ای بر بسته‌های نرم‌افزاری و نصب کتابخانه‌ها
• 26. ابزارهای مدیریت داده در بسته Tidyverse
• 27. کار با ابزار Dplyr برای دستکاری داده‌ها
• 28. ترکیب و ادغام جداول داده با استفاده از Joinها
• 29. مقدمه‌ای بر گرافیک و ترسیم نمودارهای پایه
• 30. ترسیم نمودارهای پراکندگی و هیستوگرام
• 31. تحلیل توصیفی و شاخص‌های مرکزی داده‌ها
• 32. محاسبه واریانس و انحراف معیار در مجموعه‌داده‌ها
• 33. آشنایی با آزمون‌های آماری پایه در R
• 34. پیاده‌سازی رگرسیون خطی ساده
• 35. تحلیل همبستگی بین متغیرها
• 36. کار با تاریخ و زمان در داده‌های سری زمانی
• 37. استخراج الگو از متن با ابزارهای رشته‌ای
• 38. مدیریت حافظه و بهینه‌سازی کدهای R
• 39. تولید گزارش‌های خودکار با R Markdown
• 40. مستندسازی و اشتراک‌گذاری نتایج تحلیل‌ها