دوره تجربه Stan در R: از نصب تا اجرای مدل‌های پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تجربه Stan در R: از نصب تا اجرای مدل‌های پیشرفته

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: ادغام Stan با R، Python و سایر زبان‌ها

📋 سرفصل‌های دوره

• 1. نصب و راه‌اندازی R و RStudio
• 2. مقدمه‌ای بر محیط R و کنسول
• 3. انواع داده‌ها در R: عددی، کاراکتری، منطقی
• 4. متغیرها و انتساب در R
• 5. عملگرهای ریاضی و منطقی در R
• 6. ساختارهای داده‌ای: بردارها
• 7. ساختارهای داده‌ای: ماتریس‌ها
• 8. ساختارهای داده‌ای: آرایه‌ها
• 9. ساختارهای داده‌ای: لیست‌ها
• 10. ساختارهای داده‌ای: Data Frame ها
• 11. خواندن و نوشتن داده‌ها از فایل‌های متنی
• 12. خواندن و نوشتن داده‌ها از فایل‌های CSV
• 13. خواندن و نوشتن داده‌ها از فایل‌های Excel
• 14. دستکاری داده‌ها: فیلتر کردن
• 15. دستکاری داده‌ها: مرتب‌سازی
• 16. دستکاری داده‌ها: اضافه کردن و حذف ستون‌ها
• 17. دستکاری داده‌ها: تغییر نام ستون‌ها
• 18. آمار توصیفی در R: میانگین، میانه، انحراف معیار
• 19. نمایش داده‌ها: هیستوگرام
• 20. نمایش داده‌ها: نمودار پراکندگی
• 21. نمایش داده‌ها: نمودار جعبه‌ای
• 22. نمایش داده‌ها: نمودار میله‌ای
• 23. توابع در R: تعریف و استفاده
• 24. کنترل جریان: دستورات شرطی (if/else)
• 25. کنترل جریان: حلقه‌ها (for/while)
• 26. نوشتن توابع کاربردی
• 27. بسته‌ها در R: نصب و بارگیری
• 28. بسته‌ی dplyr: دستکاری داده‌ها
• 29. بسته‌ی ggplot2: ایجاد نمودارهای زیبا
• 30. بسته‌ی tidyr: مرتب‌سازی داده‌ها
• 31. بسته‌ی readxl: خواندن فایل‌های Excel
• 32. بسته‌ی lubridate: کار با تاریخ و زمان
• 33. مقدمه‌ای بر مدل‌سازی آماری
• 34. رگرسیون خطی ساده
• 35. رگرسیون خطی چندگانه
• 36. ارزیابی مدل رگرسیون
• 37. پیش‌بینی با استفاده از مدل رگرسیون
• 38. مقدمه‌ای بر طبقه‌بندی
• 39. درخت تصمیم‌گیری
• 40. جنگل تصادفی
• 41. ماشین بردار پشتیبان (SVM)
• 42. ارزیابی مدل‌های طبقه‌بندی
• 43. اعتبارسنجی متقابل (Cross-Validation)
• 44. انتخاب ویژگی (Feature Selection)
• 45. مقدمه‌ای بر خوشه‌بندی
• 46. خوشه‌بندی K-میانگین
• 47. خوشه‌بندی سلسله مراتبی
• 48. ارزیابی خوشه‌بندی
• 49. تحلیل سری‌های زمانی
• 50. پیش‌بینی سری‌های زمانی
• 51. مقدمه‌ای بر یادگیری عمیق
• 52. شبکه‌های عصبی
• 53. آماده‌سازی داده‌ها برای یادگیری عمیق
• 54. استفاده از کتابخانه‌های یادگیری عمیق در R
• 55. بهینه‌سازی مدل‌های یادگیری عمیق
• 56. تفسیر نتایج مدل‌های یادگیری عمیق
• 57. مقدمه‌ای بر تحلیل متن
• 58. پردازش زبان طبیعی (NLP) در R
• 59. تحلیل احساسات
• 60. مدل‌سازی موضوعی
• 61. استخراج اطلاعات
• 62. کار با APIها در R
• 63. دریافت داده از APIهای مختلف
• 64. پردازش داده‌های API
• 65. مصورسازی داده‌های API
• 66. استفاده از R در محیط‌های ابری
• 67. استقرار مدل‌های R در وب
• 68. نوشتن گزارش‌های خودکار با R Markdown
• 69. بهینه‌سازی کد R برای عملکرد بهتر
• 70. اشکال‌زدایی (Debugging) کد R
• 71. مدیریت نسخه‌ها با Git و GitHub
• 72. بهترین شیوه‌ها برای نوشتن کد R خوانا و قابل نگهداری
• 73. مقدمه‌ای بر تحلیل داده‌های بزرگ با R
• 74. کار با داده‌های حجیم
• 75. استفاده از بسته data.table
• 76. استفاده از پایگاه داده‌ها در R
• 77. امنیت در R
• 78. حفظ حریم خصوصی داده‌ها
• 79. مقدمه‌ای بر تحلیل داده‌های مکانی با R
• 80. نقشه‌کشی در R
• 81. تحلیل الگوهای مکانی