فلش‌کارت‌های آموزشی تسلط بر تکنیک‌های پاک‌سازی داده‌ها با بسته tidyr برای تحلیل‌های دقیق و استاندارد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر تکنیک‌های پاک‌سازی داده‌ها با بسته tidyr برای تحلیل‌های دقیق و استاندارد

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: پیش‌پردازش و آماده‌سازی داده‌ها در زبان برنامه‌نویسی R

📋 سرفصل‌های دوره

• 1. مبانی محیط برنامه‌نویسی R و نصب بسته‌های مورد نیاز
• 2. آشنایی با ساختار داده‌های مرتب (Tidy Data) و اصول آن
• 3. نصب و فراخوانی بسته tidyr و کتابخانه‌های مکمل
• 4. وارد کردن داده‌ها از منابع مختلف به محیط R
• 5. بررسی اولیه ساختار داده‌ها با دستورات پایه
• 6. شناسایی مقادیر گمشده و تحلیل الگوهای فقدان داده
• 7. کاربرد تابع drop_na برای حذف ردیف‌های دارای داده گمشده
• 8. روش‌های جایگزینی مقادیر گمشده با استفاده از replace_na
• 9. استفاده از تکنیک‌های درون‌یابی برای تکمیل داده‌های عددی
• 10. مفهوم داده‌های گسترده در مقابل داده‌های طولانی
• 11. تبدیل داده‌ها از حالت گسترده به طولانی با تابع pivot_longer
• 12. تبدیل داده‌ها از حالت طولانی به گسترده با تابع pivot_wider
• 13. مدیریت ستون‌های ترکیبی با استفاده از تابع separate
• 14. ترکیب ستون‌های مجزا برای ایجاد متغیرهای جدید با تابع unite
• 15. شناسایی و مدیریت داده‌های پرت (Outliers) در مجموعه‌های عددی
• 16. تکنیک‌های آماری برای تشخیص داده‌های غیرمنطقی
• 17. حذف یا اصلاح داده‌های پرت بر اساس معیارهای استاندارد
• 18. تغییر نام ستون‌ها و استانداردسازی نام متغیرها
• 19. انتخاب و فیلتر کردن ردیف‌ها و ستون‌های مورد نیاز
• 20. تغییر نوع داده‌ها در ستون‌ها برای تحلیل‌های آماری
• 21. کار با داده‌های زمانی و تاریخ در چارچوب بسته‌های مرتبط
• 22. نرمال‌سازی داده‌ها برای مقیاس‌بندی متغیرهای عددی
• 23. استانداردسازی (Standardization) داده‌ها برای تحلیل‌های مقایسه‌ای
• 24. کدگذاری متغیرهای دسته‌ای (Categorical Encoding)
• 25. تبدیل داده‌های کیفی به داده‌های عددی قابل تحلیل
• 26. کاربرد تابع mutate برای ایجاد متغیرهای محاسباتی جدید
• 27. استفاده از عملگر پایپ (Pipe) برای بهینه‌سازی کدنویسی
• 28. مدیریت ردیف‌های تکراری و پاک‌سازی داده‌های زائد
• 29. اتصال جداول مختلف برای یکپارچه‌سازی داده‌ها
• 30. بررسی صحت و سقم داده‌ها پس از پیش‌پردازش
• 31. ذخیره‌سازی داده‌های پاک‌سازی شده در فرمت‌های استاندارد
• 32. اصول مستندسازی فرآیند پاک‌سازی داده‌ها
• 33. پیاده‌سازی یک پروژه عملی پاک‌سازی داده‌های واقعی
• 34. بهینه‌سازی کدهای R برای مجموعه‌های داده بزرگ
• 35. خطایابی و رفع مشکلات رایج در فرآیند tidying
• 36. نکات اخلاقی و حرفه‌ای در حفظ امانت‌داری داده‌ها
• 37. مروری بر کتابخانه‌های مکمل tidyverse برای تحلیل‌های تکمیلی
• 38. آمادگی داده‌ها برای تحلیل‌های آماری پیشرفته
• 39. خلاصه و جمع‌بندی فرآیند پیش‌پردازش استاندارد