کتاب صوتی برنامه‌نویسی R برای تحلیل آماری و علم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره برنامه‌نویسی R برای تحلیل آماری و علم داده

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: برنامه‌نویسی برای علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و تحلیل آماری
• 2. نصب و راه‌اندازی R و RStudio
• 3. مفاهیم پایه R: متغیرها، انواع داده و ساختارها
• 4. بردارها و عملیات بر روی آن‌ها
• 5. ماتریس‌ها و عملیات بر روی آن‌ها
• 6. آرایه‌ها و کاربردهایشان
• 7. لیست‌ها و مدیریت داده‌های ناهمگون
• 8. دیتا فریم‌ها: ستون فقرات تحلیل داده
• 9. وارد کردن داده‌ها از فایل‌های CSV و Excel
• 10. پاکسازی و پیش‌پردازش داده‌ها
• 11. مدیریت مقادیر گمشده (NA)
• 12. شناسایی و مدیریت داده‌های پرت
• 13. انواع توابع در R: تعریف و فراخوانی
• 14. توابف کاربردی برای کار با داده‌ها
• 15. توابع شرطی: if, else, ifelse
• 16. حلقه‌ها: for, while, repeat
• 17. اعمال توابع بر روی ساختارهای داده (apply family)
• 18. توابع بازگشتی و کاربردهای آن
• 19. مقدمه‌ای بر گرافیک در R
• 20. رسم نمودارهای پایه‌ای: هیستوگرام، نمودار میله‌ای، نمودار پراکندگی
• 21. سفارشی‌سازی نمودارها: رنگ، برچسب، عنوان
• 22. نمودارهای جعبه‌ای (Boxplot) و تفسیر آن‌ها
• 23. نمودارهای چند متغیره
• 24. استفاده از پکیج ggplot2 برای تجسم داده‌ها
• 25. مقدمه‌ای بر آمار توصیفی
• 26. محاسبه معیارهای مرکزی: میانگین، میانه، نما
• 27. محاسبه معیارهای پراکندگی: واریانس، انحراف معیار، دامنه
• 28. محاسبه چارک‌ها و صدک‌ها
• 29. توزیع‌های آماری: نرمال، پواسون، دوجمله‌ای
• 30. آزمون فرض آماری: مفاهیم پایه
• 31. آزمون t تک نمونه‌ای
• 32. آزمون t دو نمونه‌ای مستقل
• 33. آزمون t زوجی
• 34. تحلیل واریانس یک‌طرفه (ANOVA)
• 35. تحلیل واریانس دو طرفه
• 36. آزمون کای‌دو برای جداول توافقی
• 37. رگرسیون خطی ساده
• 38. تفسیر ضرایب رگرسیون
• 39. ارزیابی مدل رگرسیون خطی
• 40. پیش‌بینی با رگرسیون خطی
• 41. رگرسیون خطی چندگانه
• 42. انتخاب متغیر در رگرسیون
• 43. مقدمه‌ای بر مدل‌سازی خطی تعمیم‌یافته (GLM)
• 44. رگرسیون لجستیک
• 45. مقدمه‌ای بر تحلیل سری‌های زمانی
• 46. شناسایی روند و فصلیت در داده‌ها
• 47. مدل‌های ARIMA
• 48. پیش‌بینی با مدل‌های سری زمانی
• 49. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 50. الگوریتم K-Means
• 51. ارزیابی نتایج خوشه‌بندی
• 52. مقدمه‌ای بر کاهش ابعاد
• 53. تحلیل مولفه‌های اصلی (PCA)
• 54. تفسیر مولفه‌های اصلی
• 55. مقدمه‌ای بر یادگیری ماشین
• 56. یادگیری با نظارت و بدون نظارت
• 57. مقدمه‌ای بر طبقه‌بندی
• 58. الگوریتم K-نزدیکترین همسایه (KNN)
• 59. درخت تصمیم
• 60. مقدمه‌ای بر رگرسیون پیش‌بینانه
• 61. ماشین بردار پشتیبان (SVM)
• 62. شبکه‌های عصبی مصنوعی (مقدماتی)
• 63. ارزیابی مدل‌های یادگیری ماشین
• 64. سنجه‌های ارزیابی: دقت، صحت، بازیابی
• 65. ماتریس درهم‌ریختگی (Confusion Matrix)
• 66. اعتبارسنجی متقابل (Cross-Validation)
• 67. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 68. مقدمه‌ای بر تحلیل متن
• 69. پردازش اولیه متن: توکن‌سازی، حذف کلمات توقف
• 70. تکنیک‌های نمایش متن: TF-IDF
• 71. مقدمه‌ای بر تحلیل احساسات
• 72. کار با پکیج‌های تحلیل متن در R
• 73. تحلیل داده‌های گراف (مقدماتی)
• 74. مفاهیم پایه گراف: راس، یال
• 75. کار با پکیج‌های تحلیل گراف در R
• 76. مقدمه‌ای بر برنامه‌نویسی شیءگرا در R
• 77. کلاس‌ها و اشیاء
• 78. وراثت
• 79. مقدمه‌ای بر بهینه‌سازی
• 80. الگوریتم‌های بهینه‌سازی پایه
• 81. کاربرد بهینه‌سازی در علم داده
• 82. مقدمه‌ای بر محاسبات موازی در R
• 83. استفاده از هسته‌های پردازشی متعدد
• 84. کار با پکیج‌های محاسبات موازی
• 85. مقدمه‌ای بر ابزارهای گزارش‌دهی در R
• 86. کتابچه (Bookdown)
• 87. گزارش پویا (R Markdown)
• 88. ساخت داشبوردهای تعاملی با Shiny
• 89. مقدمه‌ای بر بهترین شیوه‌ها در علم داده
• 90. مدیریت پروژه علم داده
• 91. مستندسازی کد و تحلیل‌ها
• 92. اشتراک‌گذاری نتایج و همکاری
• 93. اخلاق در علم داده
• 94. مقدمه‌ای بر یادگیری عمیق (مقدماتی)
• 95. شبکه‌های عصبی کانولوشنال (CNN)
• 96. شبکه‌های عصبی بازگشتی (RNN)
• 97. کار با فریم‌ورک‌های یادگیری عمیق (TensorFlow/Keras در R)
• 98. پروژه‌های عملی علم داده
• 99. تحلیل داده‌های مالی
• 100. تحلیل داده‌های سلامت