🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: برنامه‌نویسی آماری با R: نقشه راه شما برای تحلیل داده

موضوع کلی: تجزیه و تحلیل داده

موضوع میانی: برنامه‌نویسی آماری با R

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر R و RStudio: چرا R برای تحلیل داده؟
• 2. نصب R و RStudio روی سیستم‌عامل‌های مختلف
• 3. آشنایی با محیط کاربری RStudio: کنسول، اسکریپت، محیط و نمودارها
• 4. اولین دستورات در R: استفاده از R به عنوان یک ماشین حساب
• 5. دریافت راهنمایی در R: توابع `help()` و `?`
• 6. پکیج‌ها (Packages) در R: نصب و فراخوانی کتابخانه‌ها
• 7. مدیریت فضای کاری (Workspace) و پروژه‌ها در RStudio
• 8. متغیرها و عملگر تخصیص (Assignment)
• 9. انواع داده‌های پایه: عددی (Numeric)، صحیح (Integer)، کاراکتری (Character) و منطقی (Logical)
• 10. مقادیر ویژه: `NA`، `NaN`، `Inf` و `-Inf`
• 11. بررسی و تبدیل انواع داده‌ها (Coercion)
• 12. عملگرهای حسابی و مقایسه‌ای
• 13. عملگرهای منطقی: AND, OR, NOT
• 14. مقدمه‌ای بر ساختارهای داده در R
• 15. وکتورها (Vectors): سنگ بنای R
• 16. ایجاد وکتورها با `c()`, `seq()` و `rep()`
• 17. عملیات ریاضی روی وکتورها (Vectorization)
• 18. اندیس‌گذاری (Indexing) و انتخاب زیرمجموعه (Subsetting) در وکتورها
• 19. فیلتر کردن وکتورها با استفاده از اندیس‌گذاری منطقی
• 20. توابع پایه برای کار با وکتورها: `length()`, `sum()`, `mean()`
• 21. ماتریس‌ها (Matrices): ایجاد و کاربردها
• 22. عملیات ریاضی روی ماتریس‌ها
• 23. اندیس‌گذاری و انتخاب زیرمجموعه در ماتریس‌ها
• 24. آرایه‌ها (Arrays): ساختارهای چندبعدی
• 25. لیست‌ها (Lists): نگهداری انواع مختلف داده
• 26. ایجاد و اندیس‌گذاری لیست‌ها: `$`، `[[ ]]` و `[ ]`
• 27. دیتافریم‌ها (Data Frames): ساختار اصلی برای داده‌های جدولی
• 28. ایجاد یک دیتافریم از ابتدا
• 29. بررسی ساختار دیتافریم: `str()`, `summary()`, `head()`, `tail()`
• 30. انتخاب ستون‌ها و سطرها در دیتافریم
• 31. فاکتورها (Factors): کار با داده‌های دسته‌ای (Categorical)
• 32. تبدیل متغیرها به فاکتور و کار با سطوح (Levels)
• 33. مقدمه‌ای بر جریان کنترل (Control Flow)
• 34. دستورات شرطی: `if`, `else if`, `else`
• 35. تابع برداری `ifelse()` برای عملیات شرطی
• 36. حلقه‌های تکرار: حلقه `for`
• 37. حلقه‌های تکرار: حلقه `while`
• 38. حلقه‌های تکرار: حلقه `repeat` و دستورات `break` و `next`
• 39. چرا و چگونه از حلقه‌ها اجتناب کنیم: قدرت Vectorization
• 40. خانواده توابع `apply()`: اعمال یک تابع روی ماتریس یا آرایه
• 41. توابع `lapply()` و `sapply()`: اعمال تابع روی لیست‌ها و وکتورها
• 42. تابع `tapply()`: اعمال تابع بر اساس گروه‌ها
• 43. نوشتن توابع سفارشی: چرا و چگونه؟
• 44. آناتومی یک تابع در R: آرگومان‌ها، بدنه و مقدار بازگشتی
• 45. تعریف مقادیر پیش‌فرض برای آرگومان‌ها
• 46. محدوده متغیرها (Variable Scope): متغیرهای محلی و سراسری
• 47. مدیریت خطا و هشدار در توابع: `stop()` و `warning()`
• 48. اشکال‌زدایی (Debugging) کد: استفاده از `browser()` و `traceback()`
• 49. توابع ناشناس (Anonymous Functions)
• 50. خواندن داده‌ها از فایل‌های CSV با `read.csv()`
• 51. نوشتن داده‌ها در فایل‌های CSV با `write.csv()`
• 52. خواندن فایل‌های متنی دیگر با `read.table()`
• 53. خواندن داده از فایل‌های اکسل (با استفاده از پکیج `readxl`)
• 54. ذخیره و بارگذاری اشیاء R با `save()` و `load()`
• 55. مقدمه‌ای بر فلسفه Tidyverse: داده‌های مرتب (Tidy Data)
• 56. اپراتور پایپ (`%>%`): زنجیر کردن دستورات برای خوانایی بهتر
• 57. انتخاب ستون‌ها با `select()` از پکیج `dplyr`
• 58. فیلتر کردن سطرها بر اساس شرط با `filter()`
• 59. مرتب‌سازی سطرها با `arrange()`
• 60. ایجاد ستون‌های جدید با `mutate()`
• 61. خلاصه‌سازی داده‌ها با `summarise()`
• 62. عملیات گروهی با `group_by()`
• 63. ترکیب `group_by()` و `summarise()` برای تحلیل‌های گروهی
• 64. تغییر شکل داده‌ها از عریض به طویل با `pivot_longer()`
• 65. تغییر شکل داده‌ها از طویل به عریض با `pivot_wider()`
• 66. ادغام دیتافریم‌ها: مقدمه‌ای بر انواع Join
• 67. ادغام mutating: `inner_join()` و `left_join()`
• 68. کار با داده‌های متنی: مقدمه‌ای بر پکیج `stringr`
• 69. کار با تاریخ و زمان: مقدمه‌ای بر پکیج `lubridate`
• 70. مقدمه‌ای بر مصورسازی داده با `ggplot2`: گرامر گرافیک
• 71. اولین نمودار با `ggplot2`: تابع `ggplot()` و زیبایی‌شناسی (`aes`)
• 72. نمودار نقطه‌ای (Scatter Plot) با `geom_point()`
• 73. نمودار خطی (Line Plot) با `geom_line()`
• 74. نمودار میله‌ای (Bar Chart) با `geom_bar()`
• 75. هیستوگرام و نمودار چگالی برای توزیع داده‌ها
• 76. نمودار جعبه‌ای (Box Plot) و نمودار ویولن (Violin Plot)
• 77. شخصی‌سازی زیبایی‌شناسی: رنگ، اندازه، شکل و شفافیت
• 78. تقسیم نمودار به زیرنمودارها با `facet_wrap()` و `facet_grid()`
• 79. تنظیم محورها، مقیاس‌ها و محدوده‌ها
• 80. افزودن عنوان، زیرنویس و برچسب به نمودارها (`labs()`)
• 81. تغییر تم و ظاهر کلی نمودار با `theme()`
• 82. ذخیره نمودارها با کیفیت بالا با `ggsave()`
• 83. آمار توصیفی در R: `summary()`, `mean()`, `median()`, `sd()`
• 84. توزیع‌های احتمال در R: نرمال، دوجمله‌ای، پواسون
• 85. شبیه‌سازی و تولید اعداد تصادفی
• 86. آزمون فرض: مقدمه و مفاهیم کلیدی
• 87. آزمون تی تک‌نمونه‌ای (One-Sample t-test)
• 88. آزمون تی دو نمونه مستقل (Independent Two-Sample t-test)
• 89. آزمون تی زوجی (Paired t-test)
• 90. همبستگی (Correlation) و کوواریانس (Covariance)
• 91. رگرسیون خطی ساده (Simple Linear Regression) با `lm()`
• 92. تفسیر خروجی مدل رگرسیون: `summary(lm)`
• 93. بررسی مفروضات و تشخیص مدل رگرسیون
• 94. رگرسیون خطی چندگانه (Multiple Linear Regression)
• 95. استفاده از متغیرهای دسته‌ای به عنوان پیش‌بین در رگرسیون
• 96. تحلیل واریانس (ANOVA) یک‌طرفه
• 97. آزمون کای-دو (Chi-squared Test) برای جداول توافقی
• 98. مقدمه‌ای بر رگرسیون لجستیک برای متغیرهای پاسخ دوتایی
• 99. گزارش‌نویسی تکرارپذیر با R Markdown
• 100. ایجاد یک گزارش ساده در R Markdown: کد، متن و خروجی

برنامه‌نویسی آماری با R: نقشه راه شما برای تحلیل داده

آیا رویای تبدیل شدن به یک تحلیلگر داده ماهر را در سر دارید؟ آیا می‌خواهید با قدرتمندترین ابزار تحلیل داده، زبان برنامه‌نویسی R، کار کنید؟ دوره جامع "برنامه‌نویسی آماری با R: نقشه راه شما برای تحلیل داده" دقیقا همان چیزی است که به آن نیاز دارید!

این دوره با الهام از کتاب ارزشمند "A First Course in Statistical Programming with R" طراحی شده است و مسیری روشن و گام به گام را برای یادگیری R و تحلیل داده در اختیار شما قرار می‌دهد. ما در این دوره، مفاهیم پایه‌ای تا پیشرفته R را به زبانی ساده و قابل فهم آموزش می‌دهیم و با مثال‌های عملی و پروژه‌های واقعی، شما را برای ورود به دنیای جذاب تحلیل داده آماده می‌کنیم.

درباره دوره

دوره "برنامه‌نویسی آماری با R: نقشه راه شما برای تحلیل داده" یک دوره جامع و کاربردی است که به شما می‌آموزد چگونه با استفاده از زبان برنامه‌نویسی R، داده‌ها را جمع‌آوری، پاک‌سازی، تحلیل و تجسم کنید. این دوره بر پایه مفاهیم ارائه شده در کتاب "A First Course in Statistical Programming with R" بنا شده است، اما با تمرکز بیشتر بر کاربردهای عملی و پروژه‌های واقعی.

در این دوره، شما با انواع داده‌ها، ساختارهای داده در R، توابع آماری، رسم نمودارها، و روش‌های پیشرفته تحلیل داده آشنا خواهید شد. ما به شما نشان می‌دهیم چگونه با استفاده از R، مسائل واقعی را حل کنید و تصمیمات مبتنی بر داده بگیرید.

موضوعات کلیدی

• مقدمه‌ای بر R و RStudio
• انواع داده و ساختارهای داده در R
• عملیات ریاضی و منطقی در R
• برنامه‌نویسی توابع و حلقه‌ها در R
• وارد کردن و پاک‌سازی داده‌ها
• تحلیل داده‌های اکتشافی (EDA)
• تجسم داده‌ها با ggplot2
• مدل‌سازی آماری (رگرسیون، طبقه‌بندی)
• یادگیری ماشین با R
• گزارش‌دهی و مستندسازی نتایج

مخاطبان دوره

این دوره برای طیف گسترده‌ای از افراد مناسب است، از جمله:

• دانشجویان رشته‌های آمار، علوم کامپیوتر، مهندسی، اقتصاد و سایر رشته‌های مرتبط
• تحلیلگران داده و دانشمندان داده که می‌خواهند مهارت‌های خود را در R ارتقا دهند
• محققانی که به دنبال ابزاری قدرتمند برای تحلیل داده‌های خود هستند
• افرادی که به طور کلی به تحلیل داده و یادگیری ماشین علاقه دارند

چرا این دوره را بگذرانیم؟

دلایل زیادی وجود دارد که چرا باید در دوره "برنامه‌نویسی آماری با R: نقشه راه شما برای تحلیل داده" شرکت کنید:

• یادگیری از متخصصان: اساتید این دوره دارای سال‌ها تجربه در زمینه تحلیل داده و برنامه‌نویسی R هستند.
• محتوای جامع و کاربردی: این دوره تمامی مفاهیم لازم برای تحلیل داده با R را پوشش می‌دهد، از مفاهیم پایه تا پیشرفته.
• پروژه‌های واقعی: شما در طول دوره بر روی پروژه‌های واقعی کار خواهید کرد و مهارت‌های عملی خود را تقویت خواهید کرد.
• پشتیبانی و راهنمایی: اساتید و پشتیبانان دوره همواره در دسترس هستند تا به سوالات شما پاسخ دهند و شما را در طول مسیر یادگیری راهنمایی کنند.
• فرصت‌های شغلی: با یادگیری R، شما می‌توانید فرصت‌های شغلی زیادی را در زمینه تحلیل داده و دانشمند داده به دست آورید.
• الهام گرفته از یک منبع معتبر: این دوره با الهام از کتاب "A First Course in Statistical Programming with R" طراحی شده است، بنابراین شما می‌توانید مطمئن باشید که محتوای دوره دقیق و معتبر است.
• قیمت مناسب: در مقایسه با سایر دوره‌های مشابه، این دوره با قیمتی مناسب ارائه می‌شود.
• دسترسی مادام العمر: شما پس از ثبت نام در دوره، به تمامی مطالب دوره به صورت مادام العمر دسترسی خواهید داشت.

سرفصل‌های دوره

این دوره شامل بیش از 100 سرفصل جامع است که به شما کمک می‌کند تا به یک تحلیلگر داده ماهر تبدیل شوید. در زیر برخی از سرفصل‌های کلیدی دوره آورده شده است:

• بخش اول: مقدمات R
  • معرفی R و RStudio
  • نصب و پیکربندی R
  • آشنایی با محیط RStudio
  • انواع داده در R (عددی، کاراکتری، منطقی)
  • متغیرها و انتساب مقادیر
  • عملگرهای ریاضی و منطقی
  • توابع پایه در R
  • راهنما و مستندات R
  • نصب و استفاده از بسته‌ها (Packages)
  • کمک گرفتن از communityهای آنلاین R
• بخش دوم: ساختارهای داده در R
  • بردارها (Vectors)
  • ماتریس‌ها (Matrices)
  • آرایه‌ها (Arrays)
  • لیست‌ها (Lists)
  • داده‌قاب‌ها (Data Frames)
  • ایجاد و دستکاری ساختارهای داده
  • دسترسی به عناصر ساختارهای داده
  • توابع کار با ساختارهای داده
  • تبدیل ساختارهای داده به یکدیگر
• بخش سوم: برنامه‌نویسی در R
  • دستورات شرطی (if, else)
  • حلقه‌ها (for, while)
  • توابع (Functions)
  • ایجاد توابع سفارشی
  • آرگومان‌های توابع
  • متغیرهای محلی و سراسری
  • بازگشت (Recursion)
  • مدیریت خطاها (Error Handling)
  • سبک کدنویسی در R
• بخش چهارم: وارد کردن و پاک‌سازی داده‌ها
  • خواندن داده‌ها از فایل‌های CSV
  • خواندن داده‌ها از فایل‌های Excel
  • خواندن داده‌ها از پایگاه‌های داده
  • پاک‌سازی داده‌ها (حذف مقادیر گمشده، داده‌های تکراری)
  • تبدیل داده‌ها
  • نرمال‌سازی داده‌ها
  • استانداردسازی داده‌ها
  • اعتبارسنجی داده‌ها
• بخش پنجم: تحلیل داده‌های اکتشافی (EDA)
  • محاسبه آمارهای توصیفی (میانگین، میانه، انحراف معیار)
  • رسم نمودارها (هیستوگرام، نمودار جعبه‌ای، نمودار پراکنش)
  • شناسایی مقادیر پرت
  • بررسی توزیع داده‌ها
  • بررسی روابط بین متغیرها
  • تبدیل متغیرها برای بهبود تحلیل
• بخش ششم: تجسم داده‌ها با ggplot2
  • آشنایی با ggplot2
  • ساخت نمودارهای پایه با ggplot2
  • سفارشی‌سازی نمودارها (رنگ، اندازه، فونت)
  • اضافه کردن لایه‌ها به نمودارها
  • رسم انواع نمودارها (scatter plot, line plot, bar plot)
  • ایجاد داشبورد
  • ذخیره نمودارها
• بخش هفتم: مدل‌سازی آماری
  • رگرسیون خطی (Linear Regression)
  • رگرسیون لجستیک (Logistic Regression)
  • تحلیل واریانس (ANOVA)
  • آزمون فرضیه‌ها (Hypothesis Testing)
  • انتخاب مدل
  • ارزیابی مدل
  • پیش‌بینی با استفاده از مدل
• بخش هشتم: یادگیری ماشین با R
  • مقدمه‌ای بر یادگیری ماشین
  • دسته‌بندی (Classification)
  • خوشه‌بندی (Clustering)
  • درخت تصمیم (Decision Tree)
  • ماشین بردار پشتیبان (Support Vector Machine)
  • شبکه‌های عصبی (Neural Networks)
  • ارزیابی مدل‌های یادگیری ماشین
• بخش نهم: گزارش‌دهی و مستندسازی
  • ایجاد گزارش با R Markdown
  • ساخت اسلاید با R Presentation
  • مستندسازی کد R
  • به اشتراک گذاری نتایج
  • ایجاد پکیج‌های R
• بخش دهم: پروژه پایانی
  • انتخاب پروژه
  • جمع آوری و پاکسازی داده ها
  • تحلیل و تجسم داده ها
  • مدل سازی و ارزیابی
  • گزارش نویسی و ارائه

همین امروز در دوره "برنامه‌نویسی آماری با R: نقشه راه شما برای تحلیل داده" ثبت‌نام کنید و سفر خود را به سوی تبدیل شدن به یک تحلیلگر داده ماهر آغاز کنید!