یادگیری تحلیل داده‌ آمار و زیست‌آمار از ابتدا

Name: یادگیری تحلیل داده آمار و زیستآمار از ابتدا
Price: 15479000 IRR
Availability: InStock
Author: AI Academy

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

مفاهیم اولیه مرتبط با داده و انواع آن‌ها
انواع مختلف استراتژی‌های نمونه‌گیری و کاربردهای آن‌ها در جمع‌آوری داده
نصب R و R-Studio در سیستم‌عامل
کارکردهای اصلی R و R-Studio و اصول برنامه‌نویسی R
نصب بسته‌های R و استفاده از توابع آن‌ها در برنامه‌نویسی
مفاهیم اصلی آمار توصیفی و مصورسازی داده
استفاده از برنامه‌نویسی R برای محاسبه آمار توصیفی و مصورسازی داده
مفهوم احتمال، انواع آن و کاربردهایش در زندگی روزمره
استفاده از برنامه‌نویسی R برای محاسبه احتمالات
مفهوم همبستگی و انواع آن
استفاده از برنامه‌نویسی R برای محاسبه همبستگی پیرسون، کندال و اسپیرمن
مفهوم دقیق رگرسیون و انواع آن
استفاده از برنامه‌نویسی R برای ساخت مدل‌های رگرسیون خطی و لجستیک
مفهوم مفصل تست فرض و انواع مختلف تست (Z-Test و T-Test ،F-Test ،ANOVA ،Chi-Sq)
استفاده از برنامه‌نویسی R برای محاسبه آماره‌های مختلف تست

پیش‌نیازهای دوره

این دوره برای مبتدیان طراحی شده و هیچ پیش‌نیازی لازم ندارد. حتی اگر تازه‌کار در آمار و برنامه‌نویسی R هستید نگران نباشید. ما از پایه شروع کرده و قدم به قدم مفاهیم را به شما آموزش می‌دهیم تا به خوبی درک کرده و به سادگی همراهی کنید.

توضیحات دوره

به دوره چهارم ما خوش آمدید "یادگیری تحلیل داده آمار و زیست‌آمار از ابتدا". در این دوره، شما از اصول پایه داده شروع کرده و به تدریج به تحلیل داده با استفاده از ابزارهای آماری مختلف پیش می‌روید. در عصری که داده بزرگ و یادگیری ماشین رواج دارند، آمار سنگ بنایی است که به ما اجازه می‌دهد حجم عظیمی از اطلاعات جمع‌آوری‌شده را معنا کنیم. این علم روش‌های جمع‌آوری، تحلیل، تفسیر و ارائه داده را فراهم می‌کند. این دوره نه تنها شما را با زبان داده آشنا می‌کند بلکه توانمندی تصمیم‌گیری آگاهانه در زمینه کسب‌وکار، علم و فناوری را به شما می‌دهد.

در این دوره همچنین برنامه‌نویسی R را برای انجام محاسبات آماری روی داده خواهید آموخت. برنامه‌نویسی R یکی از مهارت‌های پرتقاضا در زمینه‌های آمار، زیست‌آمار و تحلیل داده است. با کتابخانه‌ها و فریم‌ورک‌های گسترده، R بستری بی‌نظیر برای تحلیل و مصورسازی داده ارائه می‌دهد که آن را به ابزاری ضروری برای آمارشناسان و دانشمندان داده تبدیل کرده است. این دوره تجربه عملی با R را در اختیار شما می‌گذارد تا بتوانید روش‌های آماری را به‌طور مؤثر در مسائل واقعی به کار ببرید.

این دوره به هشت ماژول تقسیم شده است:

داده چیست؟ - با اصول پایه داده، انواع آن و چگونگی جمع‌آوری و سازماندهی آن آشنا شوید.
مقدمه‌ای بر برنامه‌نویسی R - به بررسی R و R-Studio بپردازید؛ ابزاری قدرتمند برای محاسبات آماری و گرافیک که برای تحلیل داده مدرن ضروری است.
آمار توصیفی - یاد بگیرید چگونه ویژگی‌های اصلی داده عددی را خلاصه و توصیف کنید؛ مرحله‌ای حیاتی برای کاوش اولیه داده. همچنین نحوه ایجاد مصورسازی‌های آماری را خواهید آموخت.
مدیریت داده دسته‌ای - تکنیک‌هایی برای مدیریت و تحلیل مؤثر متغیرهای دسته‌ای بررسی می‌کنیم.
احتمالات - با مفاهیم احتمال که پایه‌ای برای استنباط آماری است آشنا شوید. در پایان این ماژول با انواع احتمالات مثل احتمال کلاسیک، شرطی و ذهنی آشنا می‌شوید.
همبستگی - متدهای اندازه‌گیری شدت و جهت رابطه بین دو متغیر را یاد بگیرید. ما همبستگی‌های پیرسون، کندال و اسپیرمن را برای شما توضیح خواهیم داد.
رگرسیون - چگونگی مدل‌سازی روابط بین متغیرها و پیش‌بینی را درک کنید. در این بخش رگرسیون خطی ساده، رگرسیون خطی چندگانه و رگرسیون لجستیک را آموزش خواهیم داد.
تست فرض - توانایی تست فرضیه‌ها و تصمیم‌گیری بر اساس داده را پرورش دهید. تست های Z ،T و انواع آن‌ها، تست F و ANOVA و انواع آن و تست Chi-Sq را خواهید آموخت.

این دوره ترکیبی منحصر به فرد از نظریه و عمل است. شما نظریه مفاهیم آماری را یاد می‌گیرید و هم‌زمان با برنامه‌نویسی R قادر خواهید بود آن‌ها را روی داده خود اعمال کنید. امیدواریم این مسیر برای شما روشن و مفید باشد. پس از اتمام دوره، به تحلیل داده خود مسلط خواهید بود.

این دوره برای چه کسانی مناسب است؟

این دوره برای عموم افراد مناسب است.
دانشجویان علوم اولیه، به ویژه رشته‌های علوم زیستی، این دوره را بسیار سودمند خواهند یافت، زیرا به نیازهای آن‌ها پاسخ می‌دهد و درک برنامه‌نویسی R در زمینه‌های علمی را افزایش می‌دهد.
دانشجویان علوم کامپیوتر که به دنبال شغلی در علوم داده هستند، از این دوره بهرهٔ فراوانی می‌برند، زیرا مهارت‌های پایه‌ای برنامه‌نویسی R را که برای تحلیل و تفسیر داده ضروری است فراهم می‌کند.
جامعه‌شناسانی که داده جمعیت را جمع‌آوری و می‌خواهند به صورت مستقل آن‌ها را تحلیل و مصورسازی کنند، از این دوره بهره زیادی خواهند برد، چون مهارت مدیریت، تحلیل و ارائه داده به کمک برنامه‌نویسی R را کسب می‌کنند.
اگرچه چندان توصیه نمی‌شود، اما دانشجویان اقتصاد و مالی که روندهای بازار و داده مالی را تحلیل می‌کنند نیز از این دوره بهره‌مند خواهند شد. آنها ابزارهای لازم برای انجام تحلیل‌های آماری مستقل و ساخت مصورسازی داده تأثیرگذار را فرا می‌گیرند.

یادگیری تحلیل داده‌ آمار و زیست‌آمار از ابتدا

فصل 1: داده چیست؟

به این دوره خوش آمدید 02:04
داده چیست؟ 02:37
انواع داده مختلف؛ داده‌ عددی و دسته‌ای 02:02
انواع داده‌ دسته‌ای؛ داده‌ رتبه‌ای و ساده 01:32
داده‌ عاملی 00:53
گسسته‌سازی داده؛ تبدیل متغیر عددی به دسته‌ای 01:32
مقدمه‌ای بر داده None
چگونه داده به دست آوریم؟ (مطالعات مشاهده‌ای و آزمایشی) 02:51
متغیرهای مخدوش‌کننده 01:51
نمونه‌گیری و تخصیص تصادفی برای جمع‌آوری داده‌ 02:15
چگونه نمونه‌ای از داده را برای مطالعات مشاهده‌ای از جامعه استخراج کنیم؟ 02:39
نمونه‌گیری تصادفی؛ استراتژی نمونه‌گیری محبوب 01:33
استراتژی نمونه‌گیری طبقه‌ای برای داده‌ با توزیع ناهمگن 01:51
استراتژی‌های نمونه‌گیری خوشه‌ای و چندمرحله‌ای 03:17
جمع‌آوری داده و استراتژی‌های نمونه‌گیری None
آزمون تکنیک‌های نمونه‌گیری (کمی پیچیده) None
تمرین 1: بررسی مجموعه داده و سنجش درک انواع متغیرها None

فصل 2: کار عملی با R و R-Studio (اصول اولیه کارکرد)

نصب R و R-Studio 05:57
تنظیم پوشه کاری در R-Studio 02:23
انواع داده اولیه که R می‌تواند مدیریت کند 01:07
بردار؛ ساده‌ترین نوع داده در R 02:15
تمرین بردار None
ماتریس؛ شکل جدولی داده‌ در R 02:28
تمرین ماتریس None
DataFrame؛ پر استفاده‌ترین نوع داده در R 02:03
مبانی R و R-Studio None
تمرین Data Frame None
لیست؛ یک ساختار بزرگ برای نگهداری داده‌ 01:50
تمرین لیست None
متغیر چیست؟ قوانین نام‌گذاری متغیرها 03:02
ساختارهای داده در R None
بسته پایه R و توابع آن؛ یک ویدئوی مهم 01:52
بسته‌های پایه None
توابع و بسته‌های R 05:55
نصب بسته‌ها None
مقدمه‌ای مختصر بر Bioconductor برای داده‌ زیستی 05:00
تمرین 2: سنجش مهارت‌های شما درباره انواع داده، بسته‌ها و توابع R None

فصل 3: آمار توصیفی

تعریف اولیه آمار 01:28
دو نوع اصلی آمار 01:30
توزیع داده؛ نرمال و چولگی 01:29
انواع مختلف نمودارها برای مشاهده توزیع داده 02:36
کاربرد عملی 3.1: چگونه نمودارهای توزیع داده را در R بسازیم؟ 12:35
تمرین 3: ساخت توزیع داده‌ متغیرهای عددی None
مفهوم گرایش مرکزی و میانگین 03:59
مفهوم مقدار میانه داده‌ 02:51
مفهوم اولیه نقاط پرت در داده 02:25
چگونه نقاط پرت را شناسایی کنیم؟ 01:10
خواص مهم میانگین و میانه 02:33
کجا از میانگین و میانه استفاده کنیم؛ یک مثال بالینی 01:38
مفهوم مد؛ پر تکرارترین مقدار در داده 02:21
اصول آمار توصیفی None
کاربرد عملی 3.2: محاسبه میانگین، میانه و مد در R 08:47
تمرین میانگین None
تمرین میانه None
تمرین مد None
تمرین 4: محاسبه میانگین، میانه و مد در R-Studio توسط خود شما None
دامنه بین چارکی (IQR); شناختی از پراکندگی داده‌ 04:13
کاربرد عملی 3.3: محاسبه دامنه بین چارکی در R 04:18
تمرین چارک None
تمرین دامنه بین چارکی (IQR) None
تمرین 5: محاسبه چارک و دامنه بین چارکی در R-Studio None
واریانس و انحراف معیار (بخش اول) 04:04
کاربرد عملی 3.4: محاسبه واریانس در R 01:59
تمرین واریانس None
تمرین 6: محاسبه واریانس در R-Studio None
واریانس و انحراف معیار (بخش دوم) 01:55
کاربرد عملی 3.5: محاسبه انحراف معیار در R 02:23
گرایش مرکزی و تغییرپذیری None
تمرین انحراف معیار None
محاسبه همزمان تمام آمار توصیفی برای متغیرهای عددی 10:22
کاربردهای عملی آمار توصیفی None

فصل 4: مدیریت داده‌ دسته‌ای

خوش آمدید به ماژول 4؛ مدیریت داده‌ دسته‌ای 01:16
امکان عدم شناسایی صحیح متغیرهای دسته‌ای توسط R 02:41
کاربرد عملی 4.1: چگونه اشتباه R در مورد متغیرهای دسته‌ای را اصلاح کنیم؟ 05:02
تمرین مدیریت داده None
تمرین 7: اولین گام در مدیریت داده‌ دسته‌ای؛ اصلاح اشتباه None
جداول فراوانی؛ تحلیل آماری اولیه متغیرهای دسته‌ای 02:43
کاربرد عملی 4.2: ساخت جداول فراوانی در R 01:38
تمرین جدول فراوانی None
تمرین 8: ساخت جدول فراوانی در R None
درصدها و نسبت‌ها برای درک داده‌ دسته‌ای 02:00
کاربرد عملی 4.3: محاسبه درصدها و نسبت‌ها در R 03:46
تمرین نسبت None
تمرین درصد None
تمرین 9: محاسبه درصدها و نسبت‌ها در R None
اصول داده‌ دسته‌ای None
مد برای داده‌ دسته‌ای 01:23
کاربرد عملی 4.4: یافتن مد داده‌ دسته‌ای 02:11
تمرین مد برای داده‌ دسته‌ای None
تمرین 10: محاسبه مد داده‌ دسته‌ای None
جدول توافقی برای بررسی رابطه دو متغیر دسته‌ای 02:27
کاربرد عملی 4.5: ساخت جدول توافقی دو متغیر دسته‌ای 03:32
تمرین 11: ساخت جدول توافقی دو متغیر دسته‌ای در R None
متدهای مختلف مصورسازی داده‌ دسته‌ای 06:57
کاربرد عملی 4.6: ساخت مصورسازی داده‌ تک متغیره دسته‌ای 04:37
کاربرد عملی 4.7: ساخت مصورسازی دو داده دسته‌ای به صورت همزمان 04:30
تمرین 12: ساخت مصورسازی داده‌ دسته‌ای None
تحلیل داده‌ دسته‌ای None
مدیریت پیشرفته داده‌ دسته‌ای None

فصل 5: احتمال

مقدمه‌ای بر احتمال 05:36
انواع احتمال و احتمال کلاسیک 03:36
احتمال کلاسیک None
آشنایی با احتمالات None
احتمال تجربی و ذهنی 05:51
احتمال تجربی None
احتمال ذهنی None
مفاهیم پیشرفته احتمال None
احتمال شرطی 05:57
احتمال شرطی None
کاربردهای عملی احتمال None

فصل 6: همبستگی

معرفی همبستگی؛ مفهوم آماری مهم 03:50
توزیع پارامتری و ناپارامتری 04:47
همبستگی پیرسون 03:07
کاربرد عملی: محاسبه همبستگی پیرسون در R 08:50
همبستگی پیرسون None
تمرین 13: محاسبه همبستگی پیرسون در R None
مقدمه‌ای بر همبستگی None
ggplot2: معرفی مختصر بسته تجسم داده 04:01
ggplot2: آموزش عملی ساخت تجسم در R-Studio 10:42
همبستگی اسپیرمن 03:33
مثال همبستگی اسپیرمن 06:41
کاربرد عملی: محاسبه همبستگی اسپیرمن در R 06:48
همبستگی اسپیرمن None
تمرین 14: محاسبه همبستگی اسپیرمن در R None
همبستگی کندال 07:56
همبستگی کندال None
تمرین 15: محاسبه همبستگی کندال در R None
همبستگی ناپارامتری None
خلاصه همبستگی 03:15
کاربرد عملی همبستگی None

فصل 7: تحلیل رگرسیون

رگرسیون؛ محبوب‌ترین مفهوم آماری 02:42
تعریف پایه‌ای رگرسیون 02:37
انواع مختلف رگرسیون 01:52
رگرسیون خطی ساده؛ شرحی ساده 04:42
توان پیش‌بینی شده رگرسیون خطی ساده 01:43
مفهوم Residual در رگرسیون (بسیار مهم) 07:03
مفهوم مقدار R مربع در نتایج رگرسیون 03:30
توضیح کد R برای ساخت رگرسیون خطی ساده 02:52
کاربرد عملی 7.1: ساخت مدل رگرسیون ساده در R 09:14
کاربرد عملی 7.2: درک نتایج رگرسیون خطی ساده در R 04:28
رگرسیون خطی ساده None
تمرین 16: ساخت مدل رگرسیون خطی ساده در R None
رگرسیون خطی ساده None
مقدمه‌ای بر رگرسیون خطی چندگانه 02:19
تعریف رگرسیون خطی چندگانه 03:18
کاربرد عملی 7.3: چگونگی ساخت مدل رگرسیون چندگانه در R 05:24
کاربرد عملی 7.4: چگونگی مصورسازی مدل رگرسیون چندگانه در R با استفاده از ggplot 17:23
کاربرد عملی 7.5: درک نتایج مدل رگرسیون چندگانه در R 04:56
فرضیه پایه که در مدل خوب رگرسیون چندگانه صدق می‌کند 01:33
مفهوم خطی بودن 02:18
مفهوم استقلال 01:52
رگرسیون خطی چندگانه None
تمرین 17: ساخت مدل رگرسیون خطی چندگانه در R None
رگرسیون خطی چندگانه None
مقدمه‌ای بر رگرسیون لجستیک (بخش اول) 02:00
مقدمه‌ای بر رگرسیون لجستیک (بخش دوم) 01:33
توضیح فرمول آماری رگرسیون لجستیک 06:26
کد R رگرسیون لجستیک؛ یک مقدمه 03:01
کاربرد عملی 7.6: ساخت مدل رگرسیون لجستیک در R-Studio 07:20
تفسیر نتایج مدل لجستیک در R-Studio 03:54
محاسبه احتمالات از مدل رگرسیون لجستیک 07:00
تفسیر نمودار رگرسیون لجستیک 02:31
رگرسیون لجستیک None
تمرین 18: ساخت مدل رگرسیون لجستیک چندگانه در R None
رگرسیون لجستیک None