کتاب صوتی تحلیل داده‌های پیچیده: راهنمای کاربردی کاهش ابعاد در زبان برنامه‌نویسی R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های پیچیده: راهنمای کاربردی کاهش ابعاد در زبان برنامه‌نویسی R

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: یادگیری ماشین و کاهش ابعاد

📋 سرفصل‌های دوره

• 1. مبانی علوم داده و ضرورت کاهش ابعاد در تحلیل داده‌های حجیم
• 2. آماده‌سازی محیط برنامه‌نویسی R برای تحلیل‌های آماری پیشرفته
• 3. ساختار داده‌ها و توابع پایه در R برای مدیریت ماتریس‌های بزرگ
• 4. بررسی توزیع آماری و شناسایی داده‌های پرت در مجموعه داده‌ها
• 5. مفاهیم پایه جبر خطی در تحلیل داده‌ها و تجزیه ماتریس‌ها
• 6. استانداردسازی و مقیاس‌بندی داده‌ها برای مدل‌سازی دقیق
• 7. تحلیل همبستگی و شناسایی متغیرهای زائد در مدل‌های آماری
• 8. مبانی روش تحلیل مؤلفه‌های اصلی یا PCA
• 9. پیاده‌سازی الگوریتم PCA با استفاده از بسته‌های نرم‌افزاری R
• 10. تفسیر مقادیر ویژه و بردارهای ویژه در کاهش ابعاد
• 11. انتخاب تعداد مؤلفه‌های بهینه با استفاده از نمودار اسکری
• 12. مصورسازی داده‌های چندبعدی با استفاده از مؤلفه‌های اصلی
• 13. تحلیل مؤلفه‌های اصلی برای داده‌های دارای مقادیر گمشده
• 14. معرفی روش مقیاس‌بندی چندبعدی کلاسیک یا MDS
• 15. تحلیل MDS غیرمتریک برای داده‌های غیرخطی
• 16. روش‌های کاهش ابعاد مبتنی بر تحلیل عامل یا FA
• 17. تفاوت‌های بنیادین میان تحلیل مؤلفه‌های اصلی و تحلیل عامل
• 18. پیاده‌سازی تحلیل عامل در R و تفسیر بارهای عاملی
• 19. مبانی روش t-SNE برای کاهش ابعاد و خوشه‌بندی بصری
• 20. تنظیم پارامتر سرگشتگی در الگوریتم t-SNE برای دقت بیشتر
• 21. معرفی الگوریتم UMAP و مزایای آن در حفظ ساختار محلی داده‌ها
• 22. مقایسه عملکرد UMAP و t-SNE در مجموعه‌های داده بزرگ
• 23. کاهش ابعاد با استفاده از تجزیه مقادیر منفرد یا SVD
• 24. کاربرد SVD در فشرده‌سازی ماتریس‌ها و حذف نویز
• 25. روش‌های انتخاب ویژگی مبتنی بر فیلتر در تحلیل داده‌ها
• 26. الگوریتم‌های انتخاب ویژگی پوششی برای بهینه‌سازی مدل
• 27. استفاده از رگرسیون Lasso برای کاهش ابعاد و انتخاب متغیر
• 28. کاهش ابعاد در داده‌های متنی با استفاده از مدل‌سازی موضوعی
• 29. پیاده‌سازی روش‌های کاهش ابعاد برای داده‌های سری زمانی
• 30. ارزیابی عملکرد مدل‌های کاهش ابعاد با استفاده از معیارهای اعتبارسنجی
• 31. تکنیک‌های کاهش ابعاد برای داده‌های تصویری در R
• 32. ترکیب روش‌های کاهش ابعاد با الگوریتم‌های یادگیری نظارت‌شده
• 33. مدیریت پیچیدگی محاسباتی در تحلیل‌های کلان‌داده
• 34. بهینه‌سازی حافظه در R هنگام کار با ماتریس‌های تنک
• 35. گزارش‌نویسی علمی و ارائه نتایج تحلیل‌های آماری در R Markdown
• 36. اخلاق در تحلیل داده‌ها و صیانت از حریم خصوصی در داده‌های حجیم
• 37. راهکارهای پیشگیری از برازش بیش‌ازحد در مدل‌های کاهش ابعاد
• 38. مطالعه موردی: کاهش ابعاد در تحلیل داده‌های اقتصادی و مالی
• 39. مطالعه موردی: کاربرد کاهش ابعاد در پردازش داده‌های سلامت
• 40. مرور نهایی و استراتژی‌های انتخاب روش مناسب برای پروژه‌های واقعی