کتاب کشف دنیای آمار با R: کتاب جامع تحلیل داده از مبانی تا مدل‌سازی پیشرفته با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف دنیای آمار با R: دوره جامع تحلیل داده از مبانی تا مدل‌سازی پیشرفته

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: آمار کاربردی با R

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و آمار با R
• 2. نصب و راه اندازی R و RStudio
• 3. آشنایی با محیط R و RStudio
• 4. انواع داده در R و نحوه کار با آن‌ها
• 5. وارد کردن داده ها به R (فرمت های مختلف)
• 6. پاکسازی و آماده سازی داده ها (Data Wrangling)
• 7. تبدیل داده ها (Data Transformation)
• 8. آمار توصیفی: شاخص های مرکزی و پراکندگی
• 9. نمودارهای توصیفی: هیستوگرام، جعبه ای، نمودار پراکنش
• 10. احتمالات: مفاهیم پایه و توزیع های احتمالی
• 11. توزیع نرمال و کاربردهای آن
• 12. توزیع های نمونه برداری
• 13. آزمون فرضیه: مفاهیم پایه
• 14. آزمون t تک نمونه ای
• 15. آزمون t جفتی
• 16. آزمون t مستقل
• 17. تحلیل واریانس یک طرفه (ANOVA)
• 18. آزمون های تعقیبی (Post-hoc) در ANOVA
• 19. تحلیل واریانس دو طرفه (ANOVA)
• 20. اثرات اصلی و اثرات تعاملی در ANOVA
• 21. اندازه گیری اثر (Effect Size) در ANOVA
• 22. رگرسیون خطی ساده
• 23. برازش مدل رگرسیون خطی
• 24. تفسیر ضرایب رگرسیون
• 25. آزمون فرضیه در رگرسیون خطی
• 26. فاصله اطمینان برای ضرایب رگرسیون
• 27. تشخیص و رفع مشکلات رگرسیون (خطاها)
• 28. رگرسیون چندگانه
• 29. انتخاب متغیرها در رگرسیون چندگانه
• 30. هم خطی (Multicollinearity)
• 31. متغیرهای مجازی (Dummy Variables)
• 32. متغیرهای تعدیل کننده (Moderator Variables)
• 33. متغیرهای میانجی (Mediator Variables)
• 34. رگرسیون لجستیک
• 35. برازش مدل رگرسیون لجستیک
• 36. تفسیر ضرایب رگرسیون لجستیک (Odds Ratio)
• 37. ارزیابی عملکرد مدل رگرسیون لجستیک
• 38. تحلیل بقا (Survival Analysis)
• 39. منحنی کاپلان مایر (Kaplan-Meier Curve)
• 40. آزمون رتبه ای لگاریتمی (Log-Rank Test)
• 41. مدل رگرسیون کاکس (Cox Regression)
• 42. تحلیل عاملی (Factor Analysis)
• 43. تعیین تعداد عامل ها
• 44. چرخش عامل ها (Factor Rotation)
• 45. تفسیر عامل ها
• 46. تحلیل خوشه ای (Cluster Analysis)
• 47. روش های خوشه بندی سلسله مراتبی (Hierarchical Clustering)
• 48. روش های خوشه بندی غیر سلسله مراتبی (K-Means Clustering)
• 49. ارزیابی نتایج خوشه بندی
• 50. آزمون های ناپارامتری: آزمون خی دو (Chi-Square Test)
• 51. آزمون من ویتنی یو (Mann-Whitney U Test)
• 52. آزمون ویلکاکسون (Wilcoxon Signed-Rank Test)
• 53. آزمون کروسکال والیس (Kruskal-Wallis Test)
• 54. آزمون فریدمن (Friedman Test)
• 55. همبستگی ناپارامتری (اسپیرمن و کندال)
• 56. طرح های آزمایشی (Experimental Designs)
• 57. طرح های بلوک تصادفی (Randomized Block Designs)
• 58. طرح های مربع لاتین (Latin Square Designs)
• 59. تحلیل داده های طولی (Longitudinal Data Analysis)
• 60. مدل های اثرات ثابت (Fixed Effects Models)
• 61. مدل های اثرات تصادفی (Random Effects Models)
• 62. مدل های مختلط (Mixed-Effects Models)
• 63. شبکه های عصبی (Neural Networks): مفاهیم پایه
• 64. انواع شبکه های عصبی
• 65. آموزش شبکه های عصبی
• 66. ارزیابی عملکرد شبکه های عصبی
• 67. ماشین های بردار پشتیبان (Support Vector Machines)
• 68. مفاهیم پایه SVM
• 69. انتخاب هسته (Kernel) مناسب
• 70. بهینه سازی پارامترها در SVM
• 71. درخت های تصمیم (Decision Trees)
• 72. الگوریتم های ساخت درخت تصمیم
• 73. هرس درخت تصمیم (Tree Pruning)
• 74. جنگل های تصادفی (Random Forests)
• 75. اهمیت متغیرها در جنگل های تصادفی
• 76. یادگیری تقویتی (Reinforcement Learning): مفاهیم پایه
• 77. الگوریتم های یادگیری تقویتی
• 78. کاربردها در علم داده
• 79. مدل سازی معادلات ساختاری (Structural Equation Modeling)
• 80. مسیر یابی (Path Analysis)
• 81. مدل های متغیر پنهان (Latent Variable Models)
• 82. تحلیل سری زمانی (Time Series Analysis)
• 83. تجزیه سری زمانی (Decomposition)
• 84. مدل های ARIMA
• 85. پیش بینی سری زمانی
• 86. تحلیل متن (Text Analysis): مفاهیم پایه
• 87. پردازش زبان طبیعی (NLP)
• 88. تحلیل احساسات (Sentiment Analysis)
• 89. مدل سازی موضوعی (Topic Modeling)
• 90. مصورسازی داده ها با ggplot2 (پیشرفته)
• 91. ایجاد داشبوردهای تعاملی با Shiny
• 92. گزارش نویسی و مستندسازی نتایج
• 93. اخلاق در علم داده
• 94. حریم خصوصی و امنیت داده ها
• 95. مقدمه ای بر یادگیری عمیق (Deep Learning)
• 96. معرفی چارچوب های یادگیری عمیق در R
• 97. کار با داده های بزرگ در R
• 98. بهینه سازی کد R برای سرعت و کارایی
• 99. ادغام R با سایر زبان های برنامه نویسی
• 100. کاربرد R در حوزه های مختلف علم داده (مالی، پزشکی، بازاریابی و غیره)