فلش‌کارت‌های آموزشی تسلط بر ابزارهای پیشرفته تحلیل و آماده‌سازی داده با بسته dplyr

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر ابزارهای پیشرفته تحلیل و آماده‌سازی داده با بسته dplyr

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: مدیریت و پردازش داده‌های ساختاریافته با زبان برنامه نویسی R

📋 سرفصل‌های دوره

• 1. مبانی و فلسفه کار با داده‌های ساختاریافته در محیط R
• 2. نصب و پیکربندی بسته dplyr و پیش‌نیازهای محیط کاری
• 3. آشنایی با ساختار داده‌ای tibble و تفاوت آن با دیتافریم‌های سنتی
• 4. انتخاب و فیلتر کردن ستون‌ها با استفاده از تابع select
• 5. کاربرد عملگر پایپ (pipe) در خوانایی و تسریع کدنویسی
• 6. فیلتر کردن ردیف‌ها بر اساس شرایط منطقی و عملگرهای مقایسه‌ای
• 7. مدیریت مقادیر گمشده و ناقص در مجموعه‌داده‌ها
• 8. مرتب‌سازی داده‌ها بر اساس مقادیر ستون‌ها با تابع arrange
• 9. ایجاد و تغییر ستون‌های جدید با استفاده از تابع mutate
• 10. استفاده از توابع کمکی در تغییر ساختار ستون‌ها
• 11. خلاصه‌سازی داده‌ها با استفاده از تابع summarize
• 12. گروه‌بندی داده‌ها با تابع group_by برای تحلیل‌های آماری
• 13. ترکیب توابع group_by و summarize برای استخراج شاخص‌های توصیفی
• 14. کار با توابع پنجره‌ای (window functions) برای محاسبات میان‌گروهی
• 15. تغییر نام ستون‌ها و استانداردسازی عناوین داده‌ها
• 16. اتصال جداول (Joins) با استفاده از تابع left_join
• 17. اتصال جداول با استفاده از تابع right_join
• 18. اتصال کامل و درونی جداول با inner_join و full_join
• 19. فیلتر کردن جداول بر اساس اشتراک یا تفاوت با semi_join و anti_join
• 20. ترکیب چندین عملیات برای جابجایی داده‌ها با bind_rows و bind_cols
• 21. تبدیل داده‌ها از فرمت عریض به طویل با استفاده از pivot_longer
• 22. تبدیل داده‌ها از فرمت طویل به عریض با استفاده از pivot_wider
• 23. مدیریت داده‌های متنی در ستون‌ها با ابزارهای مکمل
• 24. کار با داده‌های زمانی و تاریخ در محیط dplyr
• 25. اعتبارسنجی داده‌ها پس از عملیات پاک‌سازی
• 26. بهینه‌سازی کدهای dplyr برای مجموعه‌داده‌های حجیم
• 27. خطایابی و رفع مشکلات رایج در زنجیره پایپ
• 28. استفاده از توابع شرطی if_else و case_when در پردازش داده‌ها
• 29. مدیریت سطوح فاکتورها در تحلیل‌های آماری
• 30. تولید گزارش‌های تحلیلی با استفاده از خروجی‌های پردازش شده
• 31. اصول اخلاقی و حریم خصوصی در تحلیل داده‌های کاربران
• 32. ذخیره‌سازی و خروجی گرفتن از داده‌های تحلیل شده در فرمت‌های استاندارد
• 33. مروری بر پروژه‌های عملی در تحلیل داده‌های اقتصادی و اجتماعی
• 34. تمرین نهایی: آماده‌سازی یک مجموعه‌داده واقعی برای مدل‌سازی آماری