کتاب صوتی مبانی زبان برنامه‌نویسی R و کاربردهای آن در تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی زبان برنامه‌نویسی R و کاربردهای آن در تحلیل داده

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: برنامه‌نویسی و توسعه نرم‌افزار

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی R
• 2. نصب و راه‌اندازی R و RStudio
• 3. اولین گام‌ها در R: اجرای دستورات ساده
• 4. انواع داده‌ها در R: اعداد، رشته‌ها، منطقی
• 5. ساختارهای داده: بردارها (Vectors)
• 6. ساختارهای داده: ماتریس‌ها (Matrices)
• 7. ساختارهای داده: آرایه‌ها (Arrays)
• 8. ساختارهای داده: لیست‌ها (Lists)
• 9. ساختارهای داده: فریم‌های داده (Data Frames)
• 10. کار با فریم‌های داده: انتخاب و فیلتر کردن داده‌ها
• 11. کار با فریم‌های داده: اضافه کردن و حذف ستون‌ها
• 12. عملیات پایه بر روی بردارها
• 13. عملیات پایه بر روی ماتریس‌ها
• 14. عملیات پایه بر روی لیست‌ها
• 15. توابع در R: تعریف و فراخوانی
• 16. توابع سفارشی: نوشتن اولین تابع
• 17. نکات مهم در تعریف توابع
• 18. مدیریت بسته ها (Packages) در R
• 19. نصب و بارگذاری بسته ها
• 20. بسته های پرکاربرد در تحلیل داده
• 21. کار با فایل‌ها: خواندن و نوشتن داده‌های متنی (CSV, TXT)
• 22. کار با فایل‌ها: خواندن و نوشتن داده‌های جدولی (Excel)
• 23. کار با فایل‌ها: فرمت‌های دیگر داده
• 24. مروری بر حلقه‌ها (Loops) در R
• 25. حلقه for
• 26. حلقه while
• 27. دستورات شرطی: if, else if, else
• 28. دستورات شرطی: switch
• 29. توابع کاربردی برای کنترل جریان برنامه
• 30. مروری بر برنامه‌نویسی شیءگرا در R (مفهومی)
• 31. کلاس‌ها و اشیاء در R
• 32. وراثت در R
• 33. مدیریت خطاها و استثناها (Exceptions)
• 34. استفاده از tryCatch
• 35. نوشتن کد تمیز و خوانا
• 36. اصول مستندسازی کد
• 37. اشکال‌زدایی (Debugging) کد در R
• 38. استفاده از ابزارهای اشکال‌زدایی RStudio
• 39. تکنیک‌های بهینه‌سازی کد R
• 40. مقدمه‌ای بر تحلیل آماری با R
• 41. آمار توصیفی: میانگین، میانه، مد
• 42. آمار توصیفی: واریانس، انحراف معیار
• 43. نمودارهای توصیفی: هیستوگرام
• 44. نمودارهای توصیفی: نمودار جعبه‌ای (Box Plot)
• 45. نمودارهای توصیفی: نمودار پراکندگی (Scatter Plot)
• 46. نمودارهای توصیفی: نمودار میله‌ای (Bar Plot)
• 47. مقدمه‌ای بر رگرسیون خطی ساده
• 48. اجرای مدل رگرسیون خطی در R
• 49. تفسیر نتایج رگرسیون خطی
• 50. مقدمه‌ای بر آزمون‌های فرض آماری
• 51. آزمون t تک نمونه‌ای
• 52. آزمون t دو نمونه‌ای مستقل
• 53. آزمون t زوجی
• 54. آزمون کای دو (Chi-squared) برای استقلال
• 55. مقدمه‌ای بر تحلیل واریانس (ANOVA)
• 56. اجرای ANOVA یک‌طرفه در R
• 57. تفسیر نتایج ANOVA
• 58. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 59. الگوریتم K-Means
• 60. ارزیابی نتایج خوشه‌بندی
• 61. مقدمه‌ای بر طبقه‌بندی (Classification)
• 62. رگرسیون لجستیک (Logistic Regression)
• 63. مقدمه‌ای بر درخت تصمیم (Decision Trees)
• 64. اجرای درخت تصمیم در R
• 65. مقدمه‌ای بر جنگل تصادفی (Random Forest)
• 66. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 67. مقدمه‌ای بر شبکه‌های عصبی (Neural Networks)
• 68. مقدمه‌ای بر پردازش متن (Text Mining)
• 69. پاکسازی متن: حذف علائم نگارشی و اعداد
• 70. پاکسازی متن: حذف کلمات توقف (Stop Words)
• 71. تبدیل متن به بردار: TF-IDF
• 72. تحلیل احساسات (Sentiment Analysis)
• 73. مقدمه‌ای بر مصورسازی داده‌ها (Data Visualization)
• 74. بسته ggplot2
• 75. ایجاد نمودارهای پایه با ggplot2
• 76. سفارشی‌سازی نمودارها: رنگ، شکل، اندازه
• 77. لایه‌های نمودار در ggplot2
• 78. نمودارهای چندگانه (Faceting)
• 79. کار با داده‌های سری زمانی (Time Series Data)
• 80. ایجاد و تحلیل داده‌های سری زمانی
• 81. نمودارهای سری زمانی
• 82. مقدمه‌ای بر تحلیل شبکه (Network Analysis)
• 83. مفاهیم پایه تحلیل شبکه
• 84. رسم نمودارهای شبکه
• 85. شاخص‌های مهم در تحلیل شبکه
• 86. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 87. کاربرد R در هوش تجاری (Business Intelligence)
• 88. مقدمه‌ای بر توسعه اپلیکیشن‌های وب با R (Shiny)
• 89. ساخت اولین اپلیکیشن Shiny
• 90. اجزای اصلی اپلیکیشن Shiny
• 91. استقرار اپلیکیشن Shiny
• 92. مقدمه‌ای بر ادغام R با پایگاه‌های داده
• 93. اتصال به پایگاه داده PostgreSQL
• 94. اتصال به پایگاه داده MySQL
• 95. کار با پایگاه داده‌های NoSQL (مفهومی)
• 96. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 97. کاربرد R در علوم زیستی و پزشکی
• 98. کاربرد R در علوم اجتماعی
• 99. کاربرد R در علوم اقتصادی
• 100. اخلاق در تحلیل داده و برنامه‌نویسی