کتاب صوتی مدل‌سازی واسطه‌ای با R و Python

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی واسطه‌ای با R و Python

موضوع کلی: روش‌های آماری برای تحلیل علّی در داده‌های پیچیده

موضوع میانی: تبدیل علّی (Causal Mediation Analysis)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی واسطه‌ای
• 2. داده‌ها و انواع متغیرها در مدل‌سازی
• 3. مقدمه‌ای بر زبان برنامه‌نویسی R
• 4. نصب و پیکربندی R و RStudio
• 5. مبانی آمار و احتمالات برای مدل‌سازی
• 6. مقدمه‌ای بر زبان برنامه‌نویسی Python
• 7. نصب و پیکربندی Python و محیط‌های توسعه
• 8. کار با داده‌ها در R: خواندن و نوشتن فایل‌ها
• 9. کار با داده‌ها در Python: کتابخانه‌های Pandas و NumPy
• 10. پاکسازی و آماده‌سازی داده‌ها
• 11. تبدیل و دستکاری داده‌ها در R
• 12. تبدیل و دستکاری داده‌ها در Python
• 13. تصویرسازی داده‌ها در R: ggplot2
• 14. تصویرسازی داده‌ها در Python: Matplotlib و Seaborn
• 15. مقدمه‌ای بر رگرسیون خطی
• 16. رگرسیون خطی ساده در R
• 17. رگرسیون خطی ساده در Python
• 18. رگرسیون خطی چندگانه در R
• 19. رگرسیون خطی چندگانه در Python
• 20. ارزیابی مدل‌های رگرسیون
• 21. تشخیص و رفع مشکلات رگرسیون
• 22. مقدمه‌ای بر رگرسیون لجستیک
• 23. رگرسیون لجستیک در R
• 24. رگرسیون لجستیک در Python
• 25. مدل‌سازی با سری‌های زمانی در R
• 26. مدل‌سازی با سری‌های زمانی در Python
• 27. مقدمه‌ای بر درخت‌های تصمیم‌گیری
• 28. درخت‌های تصمیم‌گیری در R
• 29. درخت‌های تصمیم‌گیری در Python
• 30. مقدمه‌ای بر جنگل‌های تصادفی
• 31. جنگل‌های تصادفی در R
• 32. جنگل‌های تصادفی در Python
• 33. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 34. SVM در R
• 35. SVM در Python
• 36. مقدمه‌ای بر خوشه‌بندی
• 37. خوشه‌بندی K-means در R
• 38. خوشه‌بندی K-means در Python
• 39. ارزیابی مدل‌های خوشه‌بندی
• 40. کاهش ابعاد داده‌ها: PCA
• 41. PCA در R
• 42. PCA در Python
• 43. اعتبارسنجی متقابل (Cross-Validation)
• 44. انتخاب ویژگی (Feature Selection)
• 45. تنظیم پارامترهای مدل (Hyperparameter Tuning)