کتاب از مقدمات تا پیشرفته: راهنمای عملی تحلیل داده‌ها با R بر اساس کتاب Torsten Hothorn با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از مقدمات تا پیشرفته: راهنمای عملی تحلیل داده‌ها با R بر اساس کتاب Torsten Hothorn

موضوع کلی: آمار و داده‌کاوی

موضوع میانی: تحلیل‌های آماری با زبان R

📋 سرفصل‌های دوره

• 1. معرفی زبان برنامه‌نویسی R و اکوسیستم آن
• 2. نصب R و محیط توسعه RStudio
• 3. مروری بر رابط کاربری RStudio و تنظیمات اولیه
• 4. مبانی دستورات و سینتکس در R
• 5. انواع داده‌ها و ساختارهای داده‌ای اولیه (Vector, Factor)
• 6. کار با ماتریس‌ها و آرایه‌ها در R
• 7. کار با لیست‌ها: ساختار داده‌ای انعطاف‌پذیر
• 8. دیتافریم‌ها (Data Frames): ستون فقرات تحلیل داده در R
• 9. وارد کردن داده‌ها به R (از فایل‌های CSV, Excel, TXT و ...)
• 10. ذخیره و خروجی گرفتن از داده‌ها و نتایج در R
• 11. پاکسازی داده‌ها: مدیریت مقادیر گمشده (Missing Values)
• 12. پاکسازی داده‌ها: تشخیص و حذف داده‌های پرت (Outliers)
• 13. تبدیل و دستکاری داده‌ها با بسته `dplyr` (بخش اول: Select, Filter, Arrange)
• 14. تبدیل و دستکاری داده‌ها با بسته `dplyr` (بخش دوم: Mutate, Summarise, Group_by)
• 15. سازماندهی داده‌ها با بسته `tidyr` (Gather, Spread, Separate, Unite)
• 16. مقدمه‌ای بر اصول اولیه بصری‌سازی داده‌ها
• 17. رسم نمودارهای پایه در R (Histograms, Boxplots, Scatterplots)
• 18. معرفی بسته `ggplot2` برای بصری‌سازی پیشرفته
• 19. ساخت نمودارهای میله‌ای و دایره‌ای با `ggplot2`
• 20. سفارشی‌سازی و بهبود ظاهر نمودارها در `ggplot2`
• 21. آمارهای توصیفی: معیارهای گرایش مرکزی (میانگین، میانه، مد)
• 22. آمارهای توصیفی: معیارهای پراکندگی (واریانس، انحراف معیار، دامنه)
• 23. توزیع‌های فراوانی و جدول‌بندی داده‌ها
• 24. توصیف داده‌های طبقه‌ای و کمی به صورت ترکیبی
• 25. کاوش داده‌ها (Exploratory Data Analysis - EDA) و شناسایی الگوها
• 26. مبانی نظری احتمال و مفاهیم کلیدی
• 27. متغیرهای تصادفی و انواع توزیع‌های احتمال
• 28. توزیع نرمال و نقش آن در آمار استنباطی
• 29. مفهوم نمونه‌گیری و توزیع‌های نمونه‌گیری
• 30. قضیه حد مرکزی (Central Limit Theorem) و اهمیت آن
• 31. مبانی آزمون فرض آماری: مفاهیم H0, H1, P-value
• 32. فاصله‌های اطمینان (Confidence Intervals) و تفسیر آنها
• 33. آزمون t تک نمونه‌ای (One-Sample t-test) در R
• 34. آزمون t دو نمونه‌ای مستقل (Independent Two-Sample t-test) در R
• 35. آزمون t زوجی (Paired t-test) در R
• 36. بررسی مفروضات آزمون‌های t (نرمال بودن، برابری واریانس‌ها)
• 37. مقدمه‌ای بر تحلیل واریانس (ANOVA) تک‌طرفه
• 38. انجام آزمون ANOVA تک‌طرفه در R و تفسیر نتایج
• 39. آزمون‌های Post-Hoc برای ANOVA (مانند Tukey HSD)
• 40. تحلیل واریانس دوطرفه (Two-Way ANOVA) و اثرات متقابل
• 41. انجام آزمون Two-Way ANOVA در R
• 42. آزمون‌های تکراری اندازه‌گیری (Repeated Measures ANOVA) در R (مقدماتی)
• 43. تحلیل کوواریانس (ANCOVA) در R (مقدماتی)
• 44. بررسی مفروضات ANOVA (نرمال بودن، همگنی واریانس‌ها)
• 45. اندازه‌گیری اندازه اثر (Effect Size) برای آزمون‌های t و ANOVA
• 46. مفهوم همبستگی و ضریب همبستگی پیرسون
• 47. محاسبه و تفسیر همبستگی پیرسون در R
• 48. ضریب همبستگی اسپیرمن و کندال برای داده‌های رتبه‌ای
• 49. مقدمه‌ای بر رگرسیون خطی ساده
• 50. مدل‌سازی رگرسیون خطی ساده در R و تفسیر خروجی
• 51. مفروضات رگرسیون خطی و بررسی آن‌ها (خطی بودن، استقلال، نرمال بودن، همگنی واریانس)
• 52. تشخیص مشکلات در مدل رگرسیون: نقاط پرت (Outliers) و نقاط اهرمی (Leverage Points)
• 53. رگرسیون خطی چندگانه: ساخت مدل اولیه
• 54. انتخاب متغیرها در رگرسیون چندگانه (Forward, Backward, Stepwise Selection)
• 55. استفاده از متغیرهای دسته‌ای در مدل‌های رگرسیون
• 56. اثرات متقابل (Interaction Effects) در رگرسیون چندگانه
• 57. رگرسیون چندجمله‌ای (Polynomial Regression) در R
• 58. رگرسیون وزنی حداقل مربعات (Weighted Least Squares) (مقدماتی)
• 59. مقدمه‌ای بر آزمون‌های ناپارامتریک
• 60. آزمون خی دو (Chi-squared test) برای استقلال (Independence)
• 61. آزمون خی دو برای برازش نیکویی (Goodness-of-Fit)
• 62. آزمون دقیق فیشر (Fisher's Exact Test)
• 63. آزمون من ویتنی U (Mann-Whitney U test)
• 64. آزمون رتبه‌ای علامت‌دار ویلکاکسون (Wilcoxon Signed-Rank Test)
• 65. آزمون کروسکال والیس (Kruskal-Wallis Test)
• 66. آزمون فریدمن (Friedman Test)
• 67. مقایسه آزمون‌های پارامتریک و ناپارامتریک
• 68. مفهوم توان آماری (Statistical Power) و تعیین اندازه نمونه
• 69. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (Generalized Linear Models - GLMs)
• 70. ساختار GLM: توزیع‌ها و توابع پیوند (Link Functions)
• 71. رگرسیون لجستیک دوتایی (Binary Logistic Regression) در R
• 72. تفسیر ضرایب رگرسیون لجستیک: نسبت شانس (Odds Ratios)
• 73. ارزیابی برازش مدل رگرسیون لجستیک (معیارهای AIC, BIC, Hosmer-Lemeshow)
• 74. رگرسیون پواسون (Poisson Regression) برای داده‌های شمارشی
• 75. مدل‌سازی داده‌های شمارشی با پراکندگی بیش از حد (Overdispersion): Quasi-Poisson و Negative Binomial
• 76. رگرسیون لجستیک ترتیبی (Ordinal Logistic Regression) (مقدماتی)
• 77. رگرسیون لجستیک چندجمله‌ای (Multinomial Logistic Regression) (مقدماتی)
• 78. مقدمه‌ای بر تحلیل سری‌های زمانی
• 79. مؤلفه‌های سری زمانی: روند (Trend)، فصلی (Seasonality)، نویز (Noise)
• 80. تجزیه و تحلیل سری‌های زمانی (Decomposition)
• 81. هموارسازی سری‌های زمانی (Smoothing Techniques)
• 82. مدل‌های خودرگرسیون میانگین متحرک (ARIMA) (مقدماتی)
• 83. پیش‌بینی با مدل‌های ARIMA در R
• 84. مبانی تحلیل بقا (Survival Analysis) و داده‌های سانسور شده
• 85. برآوردگر کاپلان-مایر (Kaplan-Meier Estimator) و رسم منحنی‌های بقا
• 86. آزمون لاگ-رنک (Log-Rank Test) برای مقایسه منحنی‌های بقا
• 87. مدل رگرسیون کاکس (Cox Proportional Hazards Model) در R
• 88. بررسی مفروضات مدل کاکس (Proportional Hazards Assumption)
• 89. تحلیل چندمتغیره: مقدمه‌ای بر کاهش ابعاد
• 90. تحلیل مؤلفه‌های اصلی (Principal Component Analysis - PCA) در R
• 91. تفسیر نتایج PCA و رسم نمودارهای مربوطه
• 92. تحلیل عاملی (Factor Analysis) (مقدماتی)
• 93. تحلیل خوشه‌ای (Cluster Analysis): خوشه‌بندی K-Means
• 94. تحلیل خوشه‌ای: خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 95. اعتبار سنجی و ارزیابی خوشه‌ها (Validation and Evaluation of Clusters)
• 96. مقدمه‌ای بر یادگیری ماشین در R برای آمارگران
• 97. مفاهیم پیش‌بینی و طبقه‌بندی در یادگیری ماشین
• 98. اعتبارسنجی متقابل (Cross-Validation) و روش‌های آن
• 99. درخت‌های تصمیم (Decision Trees) برای طبقه‌بندی و رگرسیون
• 100. جنگل‌های تصادفی (Random Forests) برای بهبود عملکرد مدل