کتاب تحلیل داده و بصری‌سازی کاربردی با R: یک رویکرد مثال-محور با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده و بصری‌سازی کاربردی با R: یک رویکرد مثال-محور

موضوع کلی: علم داده (Data Science)

موضوع میانی: تحلیل و بصری‌سازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و R
• 2. نصب و پیکربندی R و RStudio
• 3. مقدمه‌ای بر زبان R: ساختار و انواع داده
• 4. متغیرها و عملگرها در R
• 5. ساختارهای داده در R: بردارها
• 6. ساختارهای داده در R: ماتریس‌ها
• 7. ساختارهای داده در R: آرایه‌ها
• 8. ساختارهای داده در R: فاکتورها
• 9. ساختارهای داده در R: لیست‌ها
• 10. ساختارهای داده در R: دیتافریم‌ها
• 11. وارد کردن داده‌ها از فایل‌های CSV
• 12. وارد کردن داده‌ها از فایل‌های Excel
• 13. وارد کردن داده‌ها از پایگاه‌های داده
• 14. پاکسازی داده‌ها: شناسایی داده‌های گمشده
• 15. پاکسازی داده‌ها: مدیریت داده‌های گمشده
• 16. پاکسازی داده‌ها: شناسایی و مدیریت داده‌های پرت (Outliers)
• 17. تبدیل و بازسازی داده‌ها
• 18. تغییر شکل (Reshaping) داده‌ها: طولانی به عریض
• 19. تغییر شکل (Reshaping) داده‌ها: عریض به طولانی
• 20. عملیات پایه‌ای روی دیتافریم‌ها
• 21. فیلتر کردن ردیف‌ها در دیتافریم‌ها
• 22. انتخاب ستون‌ها در دیتافریم‌ها
• 23. مرتب‌سازی دیتافریم‌ها
• 24. گروه‌بندی و خلاصه‌سازی داده‌ها (GroupBy and Summarize)
• 25. استفاده از dplyr برای دستکاری داده‌ها
• 26. پایپ‌لاین‌نویسی (Piping) با dplyr
• 27. ادغام (Merging) دیتافریم‌ها: ادغام داخلی (Inner Join)
• 28. ادغام (Merging) دیتافریم‌ها: ادغام چپ (Left Join)
• 29. ادغام (Merging) دیتافریم‌ها: ادغام راست (Right Join)
• 30. ادغام (Merging) دیتافریم‌ها: ادغام کامل (Full Join)
• 31. ادغام (Merging) دیتافریم‌ها: ادغام مقایسه (Semi/Anti Join)
• 32. آمارهای توصیفی: میانگین، میانه، مد
• 33. آمارهای توصیفی: واریانس، انحراف معیار
• 34. آمارهای توصیفی: چارک‌ها و دامنه بین چارکی (IQR)
• 35. آمارهای توصیفی: نمودار جعبه‌ای (Boxplot) برای خلاصه توزیع
• 36. آمارهای توصیفی: هیستوگرام برای توزیع داده‌ها
• 37. آمارهای توصیفی: نمودار فراوانی (Frequency Plot)
• 38. آمارهای توصیفی: جدول فراوانی (Frequency Table)
• 39. مقدمه‌ای بر بصری‌سازی داده‌ها با R
• 40. نمودارهای پایه‌ای R: scatterplot
• 41. نمودارهای پایه‌ای R: line plot
• 42. نمودارهای پایه‌ای R: bar plot
• 43. نمودارهای پایه‌ای R: pie chart
• 44. تنظیمات نمودارهای پایه‌ای R: عنوان، برچسب محورها
• 45. تنظیمات نمودارهای پایه‌ای R: رنگ، اندازه، نوع نقطه
• 46. تنظیمات نمودارهای پایه‌ای R: افزودن خطوط راهنما
• 47. بصری‌سازی پیشرفته با ggplot2: مقدمه
• 48. ساختار ggplot2: لایه‌ها (Layers)
• 49. ساختار ggplot2: نگاشت زیبایی‌شناختی (Aesthetics Mapping)
• 50. ساختار ggplot2: هندسه‌ها (Geometries)
• 51. ساختار ggplot2: فاکتورهای زیبایی‌شناختی (Aesthetic Mappings)
• 52. ساختار ggplot2: مقیاس‌ها (Scales)
• 53. ساختار ggplot2: فیسِتینگ (Faceting) برای نمودارهای چندگانه
• 54. نمودار scatterplot با ggplot2
• 55. نمودار scatterplot رنگی و اندازه‌گذاری شده با ggplot2
• 56. نمودار خطی با ggplot2
• 57. نمودار میله‌ای با ggplot2
• 58. نمودار جعبه‌ای (Boxplot) با ggplot2
• 59. نمودار ویولن (Violin Plot) با ggplot2
• 60. نمودار هیستوگرام با ggplot2
• 61. نمودار نمودار چگالی (Density Plot) با ggplot2
• 62. نمودار نمودار تجمعی (Bar Plot) با ggplot2
• 63. نمودار scatterplot ماتریس (Scatterplot Matrix)
• 64. نمودار heatmap
• 65. نمودار bubble chart
• 66. نمودار pie chart با ggplot2 (به جای نمودار دایره‌ای)
• 67. نمودار donut chart
• 68. نمودارهای زمان‌بندی (Time Series Plots)
• 69. نمودارهای جغرافیا (Geographic Plots) با استفاده از بسته‌های مرتبط
• 70. نکات پیشرفته در ggplot2: مضامین (Themes)
• 71. نکات پیشرفته در ggplot2: استفاده از annotation
• 72. نکات پیشرفته در ggplot2: ایجاد نمودارهای تعاملی (Interactive Plots)
• 73. نکات پیشرفته در ggplot2: سفارشی‌سازی عناوین و برچسب‌ها
• 74. نکات پیشرفته در ggplot2: کنترل محدوده‌های محورها
• 75. نکات پیشرفته در ggplot2: استفاده از نمودارهای ترکیبی
• 76. مقدمه‌ای بر آمار استنباطی
• 77. آزمون فرض آماری: t-test
• 78. آزمون فرض آماری: ANOVA
• 79. آزمون فرض آماری: Chi-squared test
• 80. رگرسیون خطی ساده
• 81. رگرسیون خطی چندگانه
• 82. ارزیابی مدل رگرسیون: R-squared
• 83. ارزیابی مدل رگرسیون: p-values
• 84. ارزیابی مدل رگرسیون: تحلیل باقی‌مانده‌ها (Residual Analysis)
• 85. پیش‌بینی با مدل رگرسیون
• 86. مقدمه‌ای بر یادگیری ماشین
• 87. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 88. تکنیک‌های انتخاب ویژگی (Feature Selection)
• 89. مدل‌های دسته‌بندی: رگرسیون لجستیک
• 90. مدل‌های دسته‌بندی: ماشین بردار پشتیبان (SVM)
• 91. مدل‌های دسته‌بندی: درخت تصمیم (Decision Tree)
• 92. مدل‌های دسته‌بندی: جنگل تصادفی (Random Forest)
• 93. ارزیابی مدل‌های دسته‌بندی: ماتریس درهم‌ریختگی (Confusion Matrix)
• 94. ارزیابی مدل‌های دسته‌بندی: دقت (Accuracy)
• 95. ارزیابی مدل‌های دسته‌بندی: صحت (Precision)، بازیابی (Recall)، F1-Score
• 96. ارزیابی مدل‌های دسته‌بندی: منحنی ROC و AUC
• 97. مدل‌های رگرسیون: پیش‌بینی مقادیر پیوسته
• 98. مدل‌های رگرسیون: درخت تصمیم برای رگرسیون
• 99. مدل‌های رگرسیون: جنگل تصادفی برای رگرسیون
• 100. خوشه‌بندی (Clustering): الگوریتم K-Means