دوره تحلیل داده‌کاوی، مصورسازی و مدل‌سازی پیش‌بینانه با استفاده از نرم‌افزار R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌کاوی، مصورسازی و مدل‌سازی پیش‌بینانه با استفاده از نرم‌افزار R

موضوع کلی: علوم داده و تحلیل هوشمند اطلاعات

موضوع میانی: برنامه‌نویسی آماری و یادگیری ماشین با زبان R

📋 سرفصل‌های دوره

• 1. مبانی و محیط برنامه‌نویسی در زبان R
• 2. آشنایی با ساختار داده‌ها در R شامل بردارها و ماتریس‌ها
• 3. کار با لیست‌ها و دیتا‌فریم‌ها در محیط RStudio
• 4. وارد کردن داده‌ها از فرمت‌های مختلف به محیط R
• 5. پاک‌سازی و پیش‌پردازش داده‌ها با استفاده از بسته dplyr
• 6. فیلتر کردن و انتخاب ستون‌های کلیدی در مجموعه‌داده‌ها
• 7. تغییر شکل داده‌ها و ایجاد متغیرهای جدید
• 8. تجمیع داده‌ها و گروه‌بندی آماری
• 9. مبانی مصورسازی داده‌ها با بسته ggplot2
• 10. طراحی نمودارهای پراکندگی و خطی برای تحلیل روندها
• 11. استفاده از نمودارهای میله‌ای و هیستوگرام برای توزیع فراوانی
• 12. تنظیمات زیبایی‌شناسی و لایه‌بندی در نمودارها
• 13. تحلیل اکتشافی داده‌ها با استفاده از ابزارهای آماری
• 14. کار با داده‌های زمانی و تحلیل سری‌های زمانی ساده
• 15. مدیریت مقادیر گمشده و نویز در مجموعه‌داده‌ها
• 16. مفاهیم اساسی در آمار استنباطی با R
• 17. تست‌های فرض آماری و تحلیل واریانس
• 18. مدل‌سازی رگرسیون خطی ساده و چندگانه
• 19. ارزیابی دقت مدل‌های رگرسیونی و بررسی باقیمانده‌ها
• 20. مقدمه‌ای بر یادگیری ماشین و دسته‌بندی داده‌ها
• 21. الگوریتم‌های یادگیری نظارت‌شده در R
• 22. آموزش مدل رگرسیون لجستیک برای طبقه‌بندی
• 23. ارزیابی عملکرد مدل‌های پیش‌بینانه با ماتریس درهم‌ریختگی
• 24. مفاهیم بیش‌برازش و کم‌برازش در مدل‌سازی
• 25. استفاده از روش‌های اعتبارسنجی متقاطع
• 26. خوشه‌بندی داده‌ها با الگوریتم K-means
• 27. کاهش ابعاد داده‌ها با استفاده از تحلیل مؤلفه‌های اصلی
• 28. کاربرد تحلیل داده در گزارش‌گیری مدیریتی
• 29. تولید گزارش‌های خودکار با استفاده از R Markdown
• 30. ایجاد داشبوردهای تعاملی با بسته Shiny
• 31. بهینه‌سازی کدهای R برای تحلیل مجموعه‌داده‌های بزرگ
• 32. تکنیک‌های مصورسازی پیشرفته برای داده‌های چندبعدی
• 33. مدیریت بسته‌ها و محیط‌های کاری در پروژه‌های داده‌کاوی
• 34. اخلاق در تحلیل داده و صیانت از حریم خصوصی اطلاعات
• 35. کاربرد تحلیل داده در حوزه‌های اقتصادی و کسب‌وکار
• 36. شبیه‌سازی‌های آماری و روش‌های مونت‌کارلو
• 37. تحلیل متن و استخراج ویژگی‌های متنی در R
• 38. ارائه نتایج تحلیل‌های هوشمند به ذینفعان
• 39. پروژه نهایی تحلیل و مدل‌سازی یک مجموعه‌داده واقعی