کتاب تسلط بر مهارت‌های کاربردی تحلیل داده در R: از فراخوانی تا پالایش داده‌ها برای تصمیم‌گیری هوشمندانه با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر مهارت‌های کاربردی تحلیل داده در R: از فراخوانی تا پالایش داده‌ها برای تصمیم‌گیری هوشمندانه

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: مدیریت، پاک‌سازی و آماده‌سازی داده‌ها با زبان برنامه‌نویسی R

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی محیط برنامه‌نویسی R و نصب بسته‌های مورد نیاز
• 2. آشنایی با ساختار داده‌ها در R و انواع متغیرها
• 3. وارد کردن داده‌ها از فایل‌های متنی و CSV
• 4. فراخوانی داده‌ها از فایل‌های اکسل و فرمت‌های جدولی
• 5. استفاده از کتابخانه Tidyverse برای مدیریت داده‌ها
• 6. مفاهیم اولیه در بسته‌ tidyR برای سازماندهی داده‌ها
• 7. بررسی سلامت داده‌ها و شناسایی مقادیر گمشده
• 8. روش‌های جایگزینی و مدیریت داده‌های ناقص
• 9. تغییر نام و اصلاح ساختار ستون‌های داده
• 10. فیلتر کردن و انتخاب زیرمجموعه‌های داده بر اساس شرط
• 11. مرتب‌سازی داده‌ها بر اساس متغیرهای کلیدی
• 12. تغییر شکل داده‌ها از حالت گسترده به طولانی و بالعکس
• 13. ادغام جداول داده با استفاده از توابع Join
• 14. کار با متغیرهای نوع تاریخ و زمان در R
• 15. استفاده از توابع رشته‌ای برای اصلاح مقادیر متنی
• 16. تبدیل انواع داده‌ها و اطمینان از صحت نوع متغیرها
• 17. شناسایی و حذف داده‌های تکراری در مجموعه داده
• 18. استفاده از توابع شرطی برای ایجاد متغیرهای محاسباتی جدید
• 19. گروه‌بندی داده‌ها و انجام محاسبات تجمعی
• 20. خلاصه‌سازی آماری داده‌ها با استفاده از توابع میان‌بر
• 21. اعتبارسنجی داده‌ها پس از پاک‌سازی
• 22. کار با ساختارهای داده‌ای پیچیده و لیست‌ها
• 23. مدیریت خطاهای رایج در هنگام بارگذاری داده‌ها
• 24. بهینه‌سازی کدهای R برای پردازش مجموعه‌های بزرگ داده
• 25. تولید گزارش‌های توصیفی از کیفیت داده‌ها
• 26. مستندسازی مراحل پاک‌سازی داده‌ها برای بازتولیدپذیری
• 27. اصول اخلاق حرفه‌ای در مدیریت داده‌های سازمانی
• 28. حفاظت از حریم خصوصی در داده‌های خام
• 29. ذخیره‌سازی داده‌های پالایش شده با فرمت‌های استاندارد
• 30. پروژه عملی: پاک‌سازی یک مجموعه داده واقعی اقتصادی
• 31. پروژه عملی: یکپارچه‌سازی منابع داده‌ای مختلف برای تحلیل
• 32. ارزیابی نهایی کیفیت داده‌های آماده‌سازی شده برای مدل‌سازی