کتاب صوتی جامع R: از مبانی تا محاسبات آماری پیشرفته (بر اساس کتاب Rizzo)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع R: از مبانی تا محاسبات آماری پیشرفته (بر اساس کتاب Rizzo)

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: محاسبات آماری و برنامه‌نویسی با R

📋 سرفصل‌های دوره

• 1. مبانی R و محیط توسعه
• 2. نصب و راه‌اندازی R و RStudio
• 3. آشنایی با ساختار داده در R: بردارها، ماتریس‌ها، لیست‌ها
• 4. عملگرهای پایه و عملیات ریاضی در R
• 5. توابع و ساختارهای کنترلی در R (if/else, for, while)
• 6. خواندن و نوشتن داده‌ها در R (csv, txt, excel)
• 7. وارد کردن بسته‌ها و کتابخانه‌ها در R
• 8. آشنایی با دیتا فریم‌ها و کار با آن‌ها
• 9. فیلتر کردن و انتخاب داده‌ها در R
• 10. مرتب‌سازی داده‌ها در R
• 11. گروه‌بندی و خلاصه‌سازی داده‌ها در R
• 12. تجمیع داده‌ها در R
• 13. مدیریت مقادیر گمشده در R (NA)
• 14. تبدیل انواع داده‌ها در R
• 15. توابع ورودی و خروجی در R
• 16. اشکال زدایی و خطایابی کد در R
• 17. آشنایی با برنامه‌نویسی شی‌گرا در R
• 18. ساختارهای داده‌ پیچیده‌تر: آرایه‌ها و لیست‌های تودرتو
• 19. مقدمه‌ای بر گرافیک در R: پایه و اساس
• 20. ایجاد نمودارهای ساده: هیستوگرام، نمودار میله‌ای، نمودار پراکندگی
• 21. سفارشی‌سازی نمودارها در R: رنگ، عنوان، برچسب‌ها
• 22. بسته‌ی ggplot2: مقدمه‌ای بر "گرافیک زیبا"
• 23. ایجاد نمودارهای پیشرفته با ggplot2
• 24. ترسیم چند نمودار در یک صفحه
• 25. آمار توصیفی: مفاهیم اولیه
• 26. محاسبه‌ی شاخص‌های مرکزی و پراکندگی
• 27. آزمون‌های آماری مقدماتی: t-test, chi-squared
• 28. مقدمه‌ای بر توزیع‌های احتمالاتی
• 29. توزیع نرمال و کاربردهای آن
• 30. توزیع‌های گسسته: binomial, poisson
• 31. آزمون فرض آماری و مفهوم p-value
• 32. فاصله‌های اطمینان
• 33. همبستگی و رگرسیون خطی ساده
• 34. رگرسیون چندگانه
• 35. تشخیص و برخورد با داده‌های پرت
• 36. ارزیابی مدل‌های رگرسیونی
• 37. انتخاب مدل رگرسیونی مناسب
• 38. مقدمه‌ای بر روش‌های بوت‌استرپ
• 39. بوت‌استرپ برای محاسبه‌ی فواصل اطمینان
• 40. بوت‌استرپ برای تخمین پارامترها
• 41. مقدمه‌ای بر روش‌های مونت‌کارلو
• 42. تولید اعداد تصادفی
• 43. استفاده از مونت‌کارلو برای انتگرال‌گیری
• 44. شبیه‌سازی با استفاده از مونت‌کارلو
• 45. آشنایی با بسته‌ی dplyr
• 46. عملیات join در dplyr
• 47. استفاده از pipe (%>%) در dplyr
• 48. آشنایی با بسته‌ی tidyr
• 49. بازآرایی داده‌ها با tidyr
• 50. پاکسازی و آماده‌سازی داده‌ها با tidyr
• 51. مقدمه‌ای بر برنامه‌نویسی تابعی در R
• 52. توابع apply, lapply, sapply
• 53. استفاده از anonymouse functions
• 54. آشنایی با بسته‌ی data.table
• 55. عملکرد data.table برای عملیات داده‌ای
• 56. مقایسه‌ی data.table با data.frame
• 57. کار با داده‌های بزرگ
• 58. خواندن و نوشتن داده‌های بزرگ
• 59. بهینه‌سازی کد R برای عملکرد بهتر
• 60. آشنایی با Parallel Computing در R
• 61. استفاده از کتابخانه‌ی parallel
• 62. تقسیم کار در محاسبات موازی
• 63. آشنایی با Rcpp و ادغام C++
• 64. ایجاد بسته‌های R
• 65. مستندسازی و انتشار بسته‌های R
• 66. مدیریت پروژه در R
• 67. استفاده از Git و GitHub برای مدیریت نسخه
• 68. مقدمه‌ای بر مدل‌سازی آماری
• 69. مدل‌های خطی تعمیم‌یافته (GLM)
• 70. رگرسیون لجستیک
• 71. رگرسیون پواسون
• 72. مقدمه‌ای بر سری‌های زمانی
• 73. تحلیل سری‌های زمانی با R
• 74. پیش‌بینی سری‌های زمانی
• 75. خوشه‌بندی (Clustering)
• 76. روش K-means
• 77. خوشه‌بندی سلسله‌مراتبی
• 78. ارزیابی خوشه‌بندی
• 79. کاهش ابعاد (Dimensionality Reduction)
• 80. تحلیل مولفه‌های اصلی (PCA)
• 81. تحلیل عاملی
• 82. یادگیری ماشینی: مقدمه‌ای
• 83. درخت تصمیم (Decision Tree)
• 84. ماشین بردار پشتیبان (SVM)
• 85. انتخاب مدل و ارزیابی
• 86. اعتبارسنجی متقابل (Cross-validation)
• 87. روش‌های انتخاب ویژگی
• 88. تنظیم پارامترهای مدل
• 89. آشنایی با شبکه‌های عصبی
• 90. پیاده‌سازی شبکه‌های عصبی در R
• 91. آشنایی با بسته caret
• 92. انتخاب و ترکیب مدل‌ها با caret
• 93. تجسم داده‌های پیشرفته
• 94. ساخت نقشه‌های تعاملی با leaflet
• 95. آمار بیزی: مقدمه‌ای
• 96. شبیه‌سازی زنجیره مارکوف مونت‌کارلو (MCMC)
• 97. مفاهیم Bayesian inference
• 98. تجزیه و تحلیل داده‌های فضایی
• 99. تحلیل بقا (Survival Analysis)
• 100. روش‌های اعتبارسنجی مدل