فلش‌کارت‌های آموزشی تسلط بر تحلیل و پالایش داده‌های کاربردی با بسته dplyr

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر تحلیل و پالایش داده‌های کاربردی با بسته dplyr

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: ابزارهای پیش‌پردازش و مدیریت داده‌ها در زبان برنامه‌نویسی R

📋 سرفصل‌های دوره

• 1. مبانی محیط برنامه‌نویسی R و نصب بسته‌های آماری
• 2. معرفی ساختار داده‌ها در بسته dplyr
• 3. نصب و فراخوانی کتابخانه dplyr و وابستگی‌های آن
• 4. آشنایی با مفهوم Tidy Data و اصول استاندارد داده‌کاوی
• 5. کار با داده‌های جدولی در قالب tibble
• 6. انتخاب ستون‌های مورد نیاز با تابع select
• 7. تغییر نام ستون‌ها و مدیریت متغیرها
• 8. فیلتر کردن ردیف‌ها بر اساس شروط منطقی
• 9. مرتب‌سازی داده‌ها با استفاده از تابع arrange
• 10. استفاده از عملگر پایپ برای زنجیره‌سازی توابع
• 11. افزودن متغیرهای جدید و محاسباتی با تابع mutate
• 12. محاسبات ریاضی و منطقی در ستون‌های جدید
• 13. خلاصه‌سازی داده‌ها با تابع summarize
• 14. گروه‌بندی داده‌ها با تابع group_by
• 15. ترکیب توابع گروهی برای تحلیل‌های آماری توصیفی
• 16. استفاده از توابع پنجره‌ای برای محاسبات تجمعی
• 17. ادغام مجموعه داده‌ها با استفاده از توابع join
• 18. اتصال داده‌ها بر اساس متغیرهای کلیدی مشترک
• 19. مدیریت ردیف‌های تکراری و داده‌های زائد
• 20. شناسایی و برخورد با مقادیر گمشده و نال
• 21. جایگزینی مقادیر غیرمعتبر با روش‌های آماری
• 22. کار با داده‌های زمانی و تاریخ در محیط dplyr
• 23. فیلتر کردن داده‌ها بر اساس بازه‌های زمانی
• 24. استخراج ویژگی‌های آماری از ستون‌های متنی
• 25. تغییر ساختار داده‌ها از حالت عریض به بلند
• 26. تغییر ساختار داده‌ها از حالت بلند به عریض
• 27. کاربرد تابع slice در انتخاب ردیف‌های خاص
• 28. استفاده از توابع گروهی پیشرفته برای تحلیل‌های چندلایه
• 29. ترکیب داده‌های حجیم با استفاده از ابزارهای بهینه
• 30. کار با داده‌های حجیم خارج از حافظه سیستم
• 31. بهینه‌سازی کدهای dplyr برای پروژه‌های بزرگ
• 32. اعتبارسنجی داده‌ها و بررسی صحت ساختار آن‌ها
• 33. تولید گزارش‌های آماری خلاصه از داده‌های پردازش‌شده
• 34. مصورسازی مقدماتی نتایج حاصل از پردازش داده‌ها
• 35. تکنیک‌های پیشرفته در مدیریت ستون‌های محاسباتی
• 36. استفاده از توابع شرطی در حین پالایش داده‌ها
• 37. مدیریت خطاهای رایج در پردازش داده‌ها
• 38. ذخیره‌سازی و خروجی گرفتن از داده‌های پالایش‌شده
• 39. پروژه عملی: پیش‌پردازش یک مجموعه داده اقتصادی
• 40. پروژه عملی: تحلیل آماری و گزارش‌گیری از داده‌های کاربردی