کتاب صوتی جامع تحلیل داده‌های آماری و گزارش‌گیری علمی با زبان برنامه‌نویسی R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع تحلیل داده‌های آماری و گزارش‌گیری علمی با زبان برنامه‌نویسی R

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: برنامه‌نویسی برای تحلیل داده با زبان R

📋 سرفصل‌های دوره

• 1. مبانی برنامه‌نویسی و نصب محیط نرم‌افزاری R و RStudio
• 2. آشنایی با ساختار رابط کاربری و مدیریت پروژه‌ها در RStudio
• 3. انواع داده‌های پایه و بردارها در زبان R
• 4. عملیات ریاضی و توابع منطقی در تحلیل‌های آماری
• 5. کار با ماتریس‌ها و آرایه‌های چندبعدی
• 6. مدیریت لیست‌ها و ساختارهای داده‌ای پیچیده
• 7. مفاهیم چارچوب داده یا دیتافریم در R
• 8. خواندن و وارد کردن داده‌ها از فرمت‌های مختلف
• 9. پاک‌سازی داده‌های ناقص و مدیریت مقادیر گم‌شده
• 10. استفاده از بسته‌های نرم‌افزاری و مدیریت کتابخانه‌ها
• 11. توابع شرطی و جریان کنترل برنامه
• 12. حلقه‌های تکرار و بهینه‌سازی کدهای محاسباتی
• 13. نوشتن توابع اختصاصی برای تحلیل‌های تکرارپذیر
• 14. کار با داده‌های متنی و پردازش رشته‌ها
• 15. مدیریت تاریخ و زمان در مجموعه‌های داده
• 16. مقدمه‌ای بر بسته‌ی Tidyverse برای دستکاری داده‌ها
• 17. فیلتر کردن و مرتب‌سازی داده‌ها با استفاده از dplyr
• 18. تغییر شکل و ترکیب جداول داده‌ای
• 19. تجسم داده‌ها و ترسیم نمودارهای پایه
• 20. اصول گرافیک آماری با استفاده از ggplot2
• 21. ترسیم نمودارهای پراکندگی و میله‌ای
• 22. تحلیل توزیع داده‌ها با استفاده از هیستوگرام و نمودار جعبه‌ای
• 23. سفارشی‌سازی ظاهر نمودارها برای گزارش‌های علمی
• 24. مبانی آمار توصیفی و شاخص‌های مرکزی
• 25. محاسبه واریانس، انحراف معیار و خطای استاندارد
• 26. آشنایی با توزیع‌های احتمالاتی و شبیه‌سازی آماری
• 27. آزمون‌های فرض آماری در محیط R
• 28. تحلیل همبستگی و روابط بین متغیرها
• 29. مبانی رگرسیون خطی ساده
• 30. بررسی مدل‌های رگرسیون چندگانه
• 31. تشخیص خطاهای مدل و بررسی مفروضات آماری
• 32. کار با داده‌های سری زمانی در تحلیل‌های اقتصادی
• 33. خروجی گرفتن از نتایج تحلیل‌ها در قالب متن و جداول
• 34. تولید گزارش‌های پویا با استفاده از R Markdown
• 35. ایجاد اسناد علمی و مقالات با فرمت PDF و HTML
• 36. اصول اخلاق در تحلیل داده و صیانت از حریم خصوصی اطلاعات
• 37. کاربرد تحلیل داده در پژوهش‌های دانشگاهی و صنعتی
• 38. بهینه‌سازی کدهای R برای تحلیل مجموعه‌های داده بزرگ
• 39. مستندسازی پروژه‌ها و اشتراک‌گذاری کدهای علمی
• 40. پروژه نهایی تحلیل یک مجموعه داده واقعی و ارائه گزارش علمی