فلش‌کارت‌های آموزشی R در یک نگاه: راهنمای جامع و کاربردی برای تحلیل‌گران داده

R در یک نگاه: راهنمای جامع و کاربردی برای تحلیل‌گران داده | آموزش تحلیل داده با R R در یک نگاه: راهنمای جامع و کاربردی برای تحلیل‌گران داده تحلیل داده را به زبان R، سریع و کارآمد بیاموزید! دنیای امروز...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 99,988 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره R در یک نگاه: راهنمای جامع و کاربردی برای تحلیل‌گران داده

موضوع کلی: علم داده و تحلیل آماری

موضوع میانی: برنامه‌نویسی R برای تحلیل داده

📋 سرفصل‌های دوره

  • 1. بخش اول: مبانی و شروع کار با R**
  • 2. مقدمه‌ای بر R: چرا R را انتخاب کنیم؟
  • 3. نصب R و RStudio: راهنمای گام به گام
  • 4. آشنایی با محیط RStudio: کنسول، اسکریپت، پلات و فایل‌ها
  • 5. اولین جلسه با R: اجرای دستورات و نوشتن اسکریپت
  • 6. R به عنوان یک ماشین حساب قدرتمند
  • 7. متغیرها و عملگر تخصیص (Assignment)
  • 8. انواع داده‌های پایه: عددی، کاراکتری و منطقی
  • 9. مقدمه‌ای بر بردارها (Vectors): سنگ بنای R
  • 10. ایجاد بردارها با توابع `c()`, `seq()` و `rep()`
  • 11. عملیات ریاضی بر روی بردارها (Vectorized Operations)
  • 12. اندیس‌گذاری و استخراج زیرمجموعه از بردارها
  • 13. فیلتر کردن بردارها با استفاده از عبارات منطقی
  • 14. مقادیر گمشده (Missing Values): کار با NA و NULL
  • 15. دریافت راهنما در R: توابع `?`، `help()` و `??`
  • 16. محیط کاری (Workspace) و تاریخچه دستورات
  • 17. نصب و بارگذاری پکیج‌ها: `install.packages()` و `library()`
  • 18. آشنایی با توابع و آرگومان‌های آن‌ها
  • 19. استفاده از پروژه‌های RStudio برای مدیریت کارها
  • 20. بخش دوم: ساختارهای داده در R**
  • 21. ماتریس‌ها (Matrices): ایجاد و ویژگی‌ها
  • 22. عملیات جبری بر روی ماتریس‌ها
  • 23. اندیس‌گذاری و انتخاب زیرمجموعه از ماتریس‌ها
  • 24. آرایه‌ها (Arrays): ساختارهای چندبعدی
  • 25. لیست‌ها (Lists): نگهداری انواع داده‌های مختلف
  • 26. ایجاد و نام‌گذاری اعضای لیست
  • 27. دسترسی به اعضای لیست با `$`, `[[ ]]` و `[ ]`
  • 28. دیتافریم‌ها (Data Frames): ساختار اصلی برای تحلیل داده
  • 29. ایجاد دیتافریم به صورت دستی
  • 30. بررسی ساختار دیتافریم: `str()`, `summary()`, `head()`
  • 31. انتخاب سطرها و ستون‌ها در دیتافریم
  • 32. افزودن و حذف ستون‌ها از دیتافریم
  • 33. فاکتورها (Factors): مدیریت داده‌های طبقه‌بندی شده
  • 34. کار با سطوح (Levels) در فاکتورها
  • 35. تبدیل انواع ساختارهای داده به یکدیگر
  • 36. بخش سوم: ورود و خروج داده‌ها**
  • 37. مدیریت مسیر کاری (Working Directory)
  • 38. خواندن فایل‌های CSV با `read.csv`
  • 39. نوشتن دیتافریم در فایل‌های CSV با `write.csv`
  • 40. خواندن فایل‌های متنی با جداکننده (Delimited Files)
  • 41. خواندن فایل‌های اکسل با پکیج `readxl`
  • 42. ذخیره و بارگذاری اشیاء R با `save()` و `load()`
  • 43. مقدمه‌ای بر اتصال به پایگاه‌های داده (Databases)
  • 44. خواندن داده از وب‌سایت‌ها
  • 45. کار با داده‌های با فرمت JSON
  • 46. وارد کردن داده از نرم‌افزارهای آماری دیگر (SPSS, Stata)
  • 47. بخش چهارم: مبانی برنامه‌نویسی در R**
  • 48. دستورات شرطی: `if`, `else` و `else if`
  • 49. تابع برداری `ifelse()` برای شروط ساده
  • 50. حلقه‌های تکرار: کار با `for`
  • 51. حلقه‌های تکرار: کار با `while`
  • 52. اجتناب از حلقه‌ها: خانواده توابع `apply`
  • 53. نوشتن اولین تابع سفارشی (Custom Function)
  • 54. آرگومان‌ها و مقادیر بازگشتی در توابع
  • 55. تعریف آرگومان‌های پیش‌فرض برای توابع
  • 56. مفهوم دامنه متغیرها (Variable Scope)
  • 57. مدیریت خطا با `tryCatch`
  • 58. ابزارهای اشکال‌زدایی (Debugging) در R
  • 59. بردارسازی (Vectorization): فلسفه اصلی R
  • 60. بخش پنجم: پاکسازی و آماده‌سازی داده با Tidyverse**
  • 61. مقدمه‌ای بر Tidyverse و مفهوم داده‌های مرتب (Tidy Data)
  • 62. اپراتور پایپ (%>%) و قدرت زنجیره‌نویسی
  • 63. انتخاب ستون‌ها با `dplyr::select()`
  • 64. فیلتر کردن سطرها با `dplyr::filter()`
  • 65. مرتب‌سازی داده‌ها با `dplyr::arrange()`
  • 66. ایجاد ستون‌های جدید با `dplyr::mutate()`
  • 67. خلاصه‌سازی داده‌ها با `dplyr::summarise()`
  • 68. گروه‌بندی داده‌ها با `dplyr::group_by()`
  • 69. ترکیب قدرتمند `group_by()` و `summarise()`
  • 70. تغییر شکل داده: از عریض به طویل با `tidyr::pivot_longer()`
  • 71. تغییر شکل داده: از طویل به عریض با `tidyr::pivot_wider()`
  • 72. ادغام دیتافریم‌ها: `inner_join` و `left_join`
  • 73. ادغام دیتافریم‌ها: `right_join` و `full_join`
  • 74. کار با رشته‌های متنی با پکیج `stringr`
  • 75. کار با فاکتورها با پکیج `forcats`
  • 76. کار با تاریخ و زمان با پکیج `lubridate`
  • 77. بخش ششم: مصورسازی داده‌ها**
  • 78. مقدمه‌ای بر رسم نمودار در R: گرافیک پایه (Base R)
  • 79. رسم هیستوگرام و نمودار جعبه‌ای (Boxplot) در گرافیک پایه
  • 80. رسم نمودار پراکندگی (Scatter Plot) در گرافیک پایه
  • 81. آشنایی با `ggplot2` و گرامر گرافیک‌ها
  • 82. ساخت نمودار لایه به لایه: `ggplot()`, `aes()` و `geom`
  • 83. انواع `geom`های پرکاربرد: `geom_point`, `geom_line`, `geom_bar`
  • 84. سفارشی‌سازی ظاهر نمودار: رنگ، اندازه و شکل
  • 85. رسم نمودارهای چندگانه با `facet_wrap()` و `facet_grid()`
  • 86. تنظیمات محورها، عناوین و راهنمای نمودار (Legend)
  • 87. اصلاح و سفارشی‌سازی تم (Theme) نمودار
  • 88. ذخیره نمودارها با کیفیت بالا با `ggsave()`
  • 89. نمودارهای تعاملی (Interactive) با `plotly`
  • 90. بخش هفتم: تحلیل‌های آماری**
  • 91. آمار توصیفی: میانگین، میانه، انحراف معیار
  • 92. محاسبه همبستگی (Correlation) و کوواریانس
  • 93. توزیع‌های احتمال در R
  • 94. آزمون‌های فرض آماری: مقدمه‌ای بر آزمون t
  • 95. آزمون t برای نمونه‌های مستقل و وابسته
  • 96. تحلیل واریانس یک‌طرفه (One-Way ANOVA)
  • 97. مقدمه‌ای بر مدل‌سازی خطی با تابع `lm()`
  • 98. ایجاد و برازش مدل رگرسیون خطی ساده
  • 99. تفسیر خروجی مدل: ضرایب، R-squared و مقادیر p
  • 100. مدل رگرسیون خطی چندگانه
SMART LEARNING PLATFORM
از مطالعه تا یادگیری ماندگار
فراتر از یک مجموعه فلش‌کارت؛ تجربه‌ای تعاملی برای یادگیری، تمرین، مرور هوشمند و مشاهده مسیر پیشرفت شما، همراه با امکان دریافت گواهی پایان دوره در دوره‌های واجد شرایط.
مرور فاصله‌دار آمار یادگیری گواهی دوزبانه
یادگیری را به یک مسیر قابل پیگیری تبدیل کنید
با ورود به سامانه آموزشی، محتوای دوره را به‌صورت مرحله‌ای دنبال کنید، فلش‌کارت‌ها را مرور کنید، دانش خود را با پرسش‌ها و آزمون‌ها بسنجید و روند پیشرفتتان را در طول مسیر ببینید.
⟳
مرور فاصله‌دار هوشمند
با مرور زمان‌دار، کارت‌های تازه و کارت‌های سررسیدشده را بر اساس برنامه مرور دنبال کنید. ارزیابی پاسخ‌ها به زمان‌بندی مرورهای بعدی کمک می‌کند تا تمرین متناسب‌تری داشته باشید.
◉
مشاهده مسیر پیشرفت
میزان مشاهده فلش‌کارت‌ها، فعالیت‌های مرور، عملکرد آزمون‌ها و آمار یادگیری را بررسی کنید و تصویر روشن‌تری از مسیر آموزشی خود داشته باشید.
▤
یادگیری مرحله‌به‌مرحله
فصل‌ها و بخش‌های آموزشی را به ترتیب دنبال کنید، مطالب دیده‌نشده را پیدا کنید و بدون سردرگمی به ادامه مسیر برگردید.
✓
تمرین و سنجش آموخته‌ها
با نکته‌های آموزشی، پرسش و پاسخ، کوییزها و آزمون‌های پایان فصل، دانسته‌های خود را تمرین کنید و بخش‌هایی را که به توجه بیشتری نیاز دارند بشناسید.
SMART REVIEW
هر بار، مرور هدفمندتر
لازم نیست هر روز از ابتدا درباره اینکه چه چیزی را مرور کنید تصمیم بگیرید. سامانه، صف مرور روزانه را بر اساس کارت‌های تازه و موعد مرور کارت‌ها آماده می‌کند. شما پاسخ را ارزیابی می‌کنید و برنامه مرور با توجه به آن تنظیم می‌شود.
دوباره
برای کارت‌هایی که به تمرین زودتر نیاز دارند.
سخت
برای پاسخ‌هایی که با دشواری به یاد آمده‌اند.
خوب
برای پاسخ‌هایی که به‌درستی به یاد آورده‌اید.
آسان
برای کارت‌هایی که پاسخ آن‌ها را به‌آسانی می‌دانید.
برنامه مرور بر اساس ارزیابی شما تنظیم می‌شود؛ مرور منظم می‌تواند به تثبیت آموخته‌ها کمک کند، اما به‌تنهایی تضمین‌کننده تسلط کامل نیست.
محتوا را به شیوه‌های مختلف تمرین کنید
ساختار دوره‌ها متناسب با موضوع آموزشی طراحی شده است و ممکن است انواع مختلفی از محتوا را در بر بگیرد.
نکته‌های ساده
برای مرور سریع مفاهیم اصلی و نکات کلیدی.
نکته‌های رسمی
برای تمرین تعاریف، اصطلاحات و بیان دقیق علمی.
کوییز
برای سنجش درک مطلب و بررسی گزینه صحیح.
پرسش و پاسخ
برای تمرین یادآوری و سنجش میزان تسلط بر مطالب.
محتوای هر دوره بر اساس ساختار و امکانات فعال همان دوره ارائه می‌شود.
LEARN ANYWHERE
همراه شما روی مرورگر
برای استفاده از نسخه تحت وب، کافی است با حساب کاربری خود وارد سامانه شوید. بدون نیاز به نصب یک برنامه اختصاصی، می‌توانید از مرورگر سازگار روی گوشی، تبلت یا رایانه به دوره‌های در دسترس خود مراجعه کنید.
گوشی هوشمند
برای مطالعه در زمان‌های کوتاه
تبلت و لپ‌تاپ
برای مطالعه و مرور راحت‌تر
حساب کاربری شخصی
برای دسترسی به دوره‌های مجاز شما
COURSE COMPLETION CERTIFICATE
گواهی پایان دوره؛ ثبت دستاورد شما
در دوره‌هایی که امکان دریافت گواهی برای آن‌ها فعال است، می‌توانید پس از تکمیل شرایط آموزشی، درخواست گواهی پایان دوره ثبت کنید.
شرایط درخواست گواهی
✓ داشتن دسترسی دارای قابلیت گواهی برای دوره مربوطه.
✓ تکمیل اطلاعات لازم در پروفایل، شامل کد ملی معتبر، عکس پرسنلی و نام و نام خانوادگی انگلیسی.
✓ مشاهده تمام فلش‌کارت‌های فعال دوره.
✓ قبولی در آزمون‌های پایان فصل، در صورت وجود آزمون برای فصل‌ها.
فارسی و انگلیسی
پس از تأیید و انتشار، نسخه‌های فارسی و انگلیسی گواهی در دسترس قرار می‌گیرند.
استعلام آنلاین
گواهی منتشرشده دارای QR Code و لینک اختصاصی برای بررسی آنلاین اعتبار آن است.
دانلود و چاپ
پس از انتشار گواهی، امکان دریافت نسخه PDF فارسی و انگلیسی و چاپ آن فراهم است.
توجه: ثبت درخواست به معنای صدور قطعی نیست. درخواست گواهی پس از بررسی و تأیید ادمین منتشر می‌شود. این گواهی، گواهی پایان دوره آموزشی است و به‌خودی‌خود معادل مدرک دانشگاهی یا مدرک رسمی مورد تأیید نهادهای دولتی نیست.
یادگیری را شروع کنید؛ پیشرفت را دنبال کنید
با تمرین منظم، مرور هدفمند و پیگیری مسیر آموزشی خود، قدم‌به‌قدم دانش و مهارت‌هایتان را گسترش دهید.
هر کارت، یک قدم به جلو
امکانات محتوایی، مرور و گواهی بر اساس سطح دسترسی و تنظیمات هر دوره متفاوت است.
نگاهی به محیط سامانه

یادگیری هوشمند، قدم‌به‌قدم

با محیط سامانه آموزشی آشنا شوید و نمونه‌هایی از فضای یادگیری، فلش‌کارت‌ها و ابزارهای مرور و تمرین را مشاهده کنید.

تصویر نمونه اول از سامانه آموزشی و فلش‌کارت‌ها
محیط سامانه آموزشی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه دوم از سامانه آموزشی و فلش‌کارت‌ها
یادگیری و مرور مطالب
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه سوم از سامانه آموزشی و فلش‌کارت‌ها
تجربه مطالعه تعاملی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه چهارم از سامانه آموزشی و فلش‌کارت‌ها
امکانات بیشتر سامانه
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید

یادگیری فراتر از مطالعه معمولی
با فلش‌کارت‌های آموزشی، مرور هدفمند و تمرین مستمر، مطالب را فعالانه یاد بگیرید و مسیر پیشرفت خود را دنبال کنید.

تگ‌ها: Data Analysis Data Science R R Course R in a Nutshell R Programming R quick reference R tutorial Statistical Analysis آمار برنامه نویسی R تحلیل داده علم داده یادگیری R

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.