دوره تحلیل شبکه‌های اجتماعی با زبان برنامه‌نویسی R: از داده‌کاوی تا مدل‌سازی ساختارها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل شبکه‌های اجتماعی با زبان برنامه‌نویسی R: از داده‌کاوی تا مدل‌سازی ساختارها

موضوع کلی: علوم داده و تحلیل شبکه‌های اجتماعی

موضوع میانی: تحلیل داده‌های ساختاریافته و گراف‌های اجتماعی

📋 سرفصل‌های دوره

• 1. مبانی تحلیل شبکه‌های اجتماعی و کاربرد آن در علوم داده
• 2. آشنایی با محیط برنامه‌نویسی R برای تحلیل داده‌های شبکه‌ای
• 3. ساختار داده‌های گراف و مفاهیم پایه در نظریه گراف
• 4. نصب و راه‌اندازی بسته‌های تخصصی تحلیل شبکه در R
• 5. انواع ساختارهای گراف و ماتریس‌های مجاورت
• 6. وارد کردن و پیش‌پردازش داده‌های شبکه‌ای در R
• 7. معرفی ساختار اشیاء igraph و کار با داده‌های گره و یال
• 8. شاخص‌های مرکزی گره: مفهوم درجه و مرکزیت
• 9. تحلیل مرکزیت نزدیکی در شبکه‌های اجتماعی
• 10. محاسبه مرکزیت بینابینی و اهمیت آن در جریان اطلاعات
• 11. شاخص مرکزیت بردار ویژه و شناسایی نفوذگران شبکه
• 12. مفهوم چگالی شبکه و تحلیل تراکم اتصالات
• 13. اندازه‌گیری فاصله ژئودزیک و قطر شبکه
• 14. تحلیل خوشه‌بندی و ضریب خوشه‌بندی در شبکه‌های اجتماعی
• 15. شناسایی مؤلفه‌های متصل و تحلیل ساختار کلی گراف
• 16. الگوریتم‌های تشخیص جوامع و زیرشبکه‌ها در R
• 17. تحلیل شبکه‌های جهت‌دار و تفاوت آن با شبکه‌های غیرجهت‌دار
• 18. مدیریت و تحلیل ویژگی‌های گره‌ها (Attributes) در گراف
• 19. تصویرسازی داده‌های شبکه‌ای با استفاده از کتابخانه ggplot2 و igraph
• 20. طراحی چیدمان‌های گراف برای نمایش بهینه ساختارها
• 21. تحلیل شبکه‌های وزنی و اهمیت وزن در یال‌ها
• 22. پیاده‌سازی مدل‌های تصادفی گراف برای تحلیل ساختار شبکه
• 23. آشنایی با مفهوم خودهمبستگی شبکه‌ای
• 24. تحلیل شبکه‌های اجتماعی چندلایه و روابط پیچیده
• 25. آماده‌سازی داده‌های واقعی از شبکه‌های اجتماعی داخلی
• 26. پاک‌سازی داده‌های ناقص و نویز در تحلیل شبکه
• 27. خروجی گرفتن و گزارش‌گیری از تحلیل‌های انجام شده
• 28. ارزیابی استحکام شبکه در برابر حذف گره‌ها
• 29. تحلیل نقش‌های ساختاری در شبکه‌های سازمانی
• 30. کاربرد تحلیل شبکه در شناسایی خوشه‌های خبری و اطلاعاتی
• 31. مدل‌سازی انتشار اطلاعات و شایعات در شبکه
• 32. روش‌های نمونه‌گیری از شبکه‌های بزرگ
• 33. تحلیل شبکه‌های تعاملی مشتریان در کسب‌وکارهای دیجیتال
• 34. اخلاق در تحلیل داده‌های شبکه‌های اجتماعی و حریم خصوصی
• 35. رعایت پروتکل‌های امنیتی در ذخیره‌سازی داده‌های کاربران
• 36. مقدمه‌ای بر مدل‌های آماری نمایی گراف (ERGMs)
• 37. تخمین پارامترهای مدل در شبکه‌های کوچک
• 38. اعتبارسنجی مدل‌های شبکه‌ای و تفسیر نتایج
• 39. آشنایی با تحلیل شبکه‌های پویا و تغییرات زمانی
• 40. پروژه نهایی: تحلیل یک شبکه اجتماعی واقعی با ابزارهای R