کتاب کتاب جامع SAS و R: از مقدماتی تا تحلیل آماری پیشرفته با Ken Kleinman با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع SAS و R: از مقدماتی تا تحلیل آماری پیشرفته با Ken Kleinman

موضوع کلی: تحلیل داده و محاسبات آماری با نرم‌افزارهای پیشرفته

موضوع میانی: یادگیری همزمان SAS و R برای تحلیل آماری پیشرفته

📋 سرفصل‌های دوره

• 1. دوره جامع SAS و R: از مقدماتی تا تحلیل آماری پیشرفته با Ken Kleinman
• 2. آشنایی با دوره و پیش‌نیازها
• 3. مقدمه‌ای بر تحلیل داده‌ها و اهمیت آن
• 4. آشنایی با نرم‌افزار SAS: رابط کاربری و اصول اولیه
• 5. آشنایی با نرم‌افزار R: رابط کاربری و اصول اولیه
• 6. نصب و راه‌اندازی SAS و R
• 7. مقایسه SAS و R: مزایا و معایب
• 8. مبانی زبان‌های برنامه‌نویسی SAS و R
• 9. شناخت ساختار داده‌ها: متغیرها و انواع داده‌ها
• 10. وارد کردن داده‌ها به SAS
• 11. وارد کردن داده‌ها به R
• 12. مدیریت داده‌ها در SAS: ایجاد، تغییر و حذف
• 13. مدیریت داده‌ها در R: ایجاد، تغییر و حذف
• 14. مرتب‌سازی داده‌ها در SAS
• 15. مرتب‌سازی داده‌ها در R
• 16. فیلتر کردن داده‌ها در SAS
• 17. فیلتر کردن داده‌ها در R
• 18. ادغام (Merge) داده‌ها در SAS
• 19. ادغام (Join) داده‌ها در R
• 20. تبدیل داده‌ها در SAS: تغییر مقیاس و استانداردسازی
• 21. تبدیل داده‌ها در R: تغییر مقیاس و استانداردسازی
• 22. خلاصه سازی داده‌ها در SAS: آمار توصیفی
• 23. خلاصه سازی داده‌ها در R: آمار توصیفی
• 24. نمایش داده‌ها در SAS: نمودارهای پایه
• 25. نمایش داده‌ها در R: نمودارهای پایه
• 26. نمایش داده‌ها در SAS: نمودارهای پیشرفته
• 27. نمایش داده‌ها در R: نمودارهای پیشرفته
• 28. آمار توصیفی: مفاهیم اصلی و شاخص‌ها
• 29. محاسبه احتمال و توزیع‌ها در SAS
• 30. محاسبه احتمال و توزیع‌ها در R
• 31. آشنایی با توزیع‌های آماری مهم
• 32. آزمون‌های فرض آماری: مفاهیم و مراحل
• 33. آزمون t-test در SAS
• 34. آزمون t-test در R
• 35. آزمون ANOVA در SAS
• 36. آزمون ANOVA در R
• 37. آزمون کای‌دو (Chi-square) در SAS
• 38. آزمون کای‌دو (Chi-square) در R
• 39. رگرسیون خطی ساده در SAS
• 40. رگرسیون خطی ساده در R
• 41. رگرسیون چندگانه در SAS
• 42. رگرسیون چندگانه در R
• 43. ارزیابی مدل‌های رگرسیونی
• 44. تشخیص و رفع هم‌خطی در رگرسیون
• 45. رگرسیون لجستیک در SAS
• 46. رگرسیون لجستیک در R
• 47. مدل‌های خطی تعمیم‌یافته (GLM) در SAS
• 48. مدل‌های خطی تعمیم‌یافته (GLM) در R
• 49. تحلیل بقا (Survival Analysis): مفاهیم و روش‌ها
• 50. تحلیل بقا (Survival Analysis) با استفاده از SAS
• 51. تحلیل بقا (Survival Analysis) با استفاده از R
• 52. آشنایی با روش‌های داده‌کاوی
• 53. خوشه‌بندی (Clustering) در SAS
• 54. خوشه‌بندی (Clustering) در R
• 55. تحلیل عاملی (Factor Analysis) در SAS
• 56. تحلیل عاملی (Factor Analysis) در R
• 57. درخت تصمیم (Decision Tree) در SAS
• 58. درخت تصمیم (Decision Tree) در R
• 59. یادگیری ماشینی: مفاهیم پایه و الگوریتم‌ها
• 60. اعتبارسنجی مدل‌ها: Cross-validation و Bootstrapping
• 61. کاربرد SAS در پروژه‌های داده‌کاوی
• 62. کاربرد R در پروژه‌های داده‌کاوی
• 63. بهینه‌سازی و انتخاب مدل
• 64. مقدمه‌ای بر زبان SQL در SAS
• 65. استفاده از SQL برای دستکاری داده‌ها در SAS
• 66. اتصال SAS به پایگاه داده‌ها
• 67. مقدمه‌ای بر زبان SQL در R
• 68. استفاده از SQL برای دستکاری داده‌ها در R
• 69. اتصال R به پایگاه داده‌ها
• 70. مبانی کدنویسی ماکرو در SAS
• 71. ایجاد ماکروهای ساده در SAS
• 72. استفاده از ماکروها برای اتوماسیون
• 73. آشنایی با بسته ggplot2 در R
• 74. ایجاد نمودارهای زیبا و پیشرفته با ggplot2
• 75. کار با داده‌های بزرگ (Big Data) در SAS
• 76. کار با داده‌های بزرگ (Big Data) در R
• 77. پردازش موازی داده‌ها در SAS
• 78. پردازش موازی داده‌ها در R
• 79. تولید گزارش‌های حرفه‌ای در SAS
• 80. تولید گزارش‌های حرفه‌ای در R
• 81. انتشار و اشتراک‌گذاری نتایج
• 82. بهینه‌سازی کد در SAS
• 83. بهینه‌سازی کد در R
• 84. عیب‌یابی و رفع خطا در SAS
• 85. عیب‌یابی و رفع خطا در R
• 86. پروژه‌های عملی: تحلیل داده‌های واقعی
• 87. پروژه: تحلیل داده‌های پزشکی با SAS
• 88. پروژه: تحلیل داده‌های پزشکی با R
• 89. پروژه: تحلیل داده‌های مالی با SAS
• 90. پروژه: تحلیل داده‌های مالی با R
• 91. پروژه: تحلیل داده‌های بازاریابی با SAS
• 92. پروژه: تحلیل داده‌های بازاریابی با R
• 93. معرفی کتابخانه‌ها و بسته‌های کاربردی SAS
• 94. معرفی کتابخانه‌ها و بسته‌های کاربردی R
• 95. یادگیری عمیق (Deep Learning): مقدمه
• 96. یادگیری عمیق در R
• 97. یادگیری عمیق در SAS
• 98. انتخاب نرم‌افزار مناسب برای هر پروژه
• 99. آینده‌ی تحلیل داده‌ها و نقش SAS و R
• 100. منابع آموزشی تکمیلی و معرفی وبسایت‌ها