کتاب آموزش کاربردی زبان برنامه‌نویسی R در تحلیل داده‌ها و مدل‌سازی آماری با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی زبان برنامه‌نویسی R در تحلیل داده‌ها و مدل‌سازی آماری

موضوع کلی: علوم داده و تحلیل هوشمند

موضوع میانی: برنامه‌نویسی آماری و تحلیل کلان‌داده‌ها

📋 سرفصل‌های دوره (100 موضوع)

• 1. آشنایی با محیط برنامه‌نویسی و نصب نرم‌افزار R و RStudio
• 2. مبانی مدیریت پروژه و محیط کاری در RStudio
• 3. انواع داده‌ها و ساختارهای پایه در زبان R
• 4. کار با بردارها و محاسبات برداری
• 5. مدیریت ماتریس‌ها و آرایه‌های چندبعدی
• 6. کار با لیست‌ها و کاربرد آن‌ها در ذخیره‌سازی داده‌های ناهمگن
• 7. ساختار داده‌های دیتافریم و وارد کردن داده از فایل‌های اکسل و CSV
• 8. اصول برنامه‌نویسی و ساختارهای کنترلی شرطی
• 9. حلقه‌های تکرار و بهینه‌سازی کدهای تکرارپذیر
• 10. تعریف توابع شخصی‌سازی‌شده و مدیریت محیط‌های محلی
• 11. کار با بسته‌های نرم‌افزاری و مدیریت کتابخانه‌های R
• 12. مقدمه‌ای بر کتابخانه Tidyverse برای دستکاری داده‌ها
• 13. فیلتر کردن و مرتب‌سازی داده‌ها با استفاده از dplyr
• 14. تغییر نام و ایجاد متغیرهای جدید در دیتاست
• 15. تجمیع داده‌ها و گروه‌بندی با استفاده از عملگر پایپ
• 16. کار با داده‌های مفقود و پاک‌سازی اولیه مجموعه داده
• 17. کار با رشته‌های متنی و عبارات باقاعده در R
• 18. مدیریت داده‌های زمانی و تاریخ در تحلیل‌های آماری
• 19. مبانی تصویرسازی داده‌ها با استفاده از ggplot2
• 20. ترسیم نمودارهای پراکندگی و خطی برای تحلیل روندها
• 21. ایجاد نمودارهای ستونی و هیستوگرام برای بررسی توزیع داده‌ها
• 22. شخصی‌سازی نمودارها با لایه‌بندی و تنظیمات گرافیکی
• 23. آمار توصیفی و محاسبه شاخص‌های مرکزی و پراکندگی
• 24. بررسی همبستگی بین متغیرها و تحلیل ماتریس کوواریانس
• 25. مبانی استنباط آماری و آزمون‌های فرض در R
• 26. آزمون تی استیودنت برای مقایسه میانگین گروه‌ها
• 27. تحلیل واریانس یک‌طرفه و چندطرفه
• 28. مدل‌سازی رگرسیون خطی ساده و تفسیر ضرایب
• 29. بررسی مفروضات مدل رگرسیون خطی و تحلیل باقیمانده‌ها
• 30. مقدمه‌ای بر رگرسیون لجستیک و طبقه‌بندی داده‌ها
• 31. استفاده از الگوریتم‌های دسته‌بندی ساده در تحلیل داده‌ها
• 32. مبانی خوشه‌بندی داده‌ها با الگوریتم K-means
• 33. تحلیل مؤلفه‌های اصلی برای کاهش ابعاد داده‌ها
• 34. آشنایی با مفاهیم کلان‌داده و پردازش موازی در R
• 35. کار با داده‌های حجیم و بهینه‌سازی حافظه در R
• 36. مقدمه‌ای بر مدل‌سازی پیش‌بینانه و اعتبارسنجی مدل
• 37. ارزیابی دقت مدل‌های آماری با استفاده از شاخص‌های خطا
• 38. گزارش‌نویسی پویا با استفاده از R Markdown
• 39. خروجی گرفتن از تحلیل‌ها در قالب اسناد علمی و گزارش‌های مدیریتی
• 40. پروژه نهایی تحلیل یک مجموعه داده واقعی و ارائه نتایج آماری