تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی راهنمای کامل زبان برنامه نویسی R: بحث، تجسم، و مدل سازی داده ها

دوره آموزشی راهنمای کامل زبان برنامه نویسی R: بحث، تجسم، و مدل سازی داده ها

8 ساعت 16 دقیقهمتوسط2024-03-15

مدرسین

Barton Poulson

Barton Poulson

Professor, Designer, Data Analytics Expert

جزئیات دوره

تلاش برای مکان یابی معنا و جهت در داده های بزرگ دشوار است. R می تواند به شما کمک کند راه خود را پیدا کنید. R یک زبان برنامه نویسی آماری برای تجزیه و تحلیل و تجسم روابط بین مقادیر زیادی داده است. این دوره با متخصص تجزیه و تحلیل داده ها، بارتون پولسون، مقدمه ای کامل با R، همراه با دستورالعمل های دقیق برای نصب و پیمایش R و RStudio و مثال های عملی، از گرافیک اکتشافی گرفته تا شبکه های عصبی، ارائه می دهد. بارتون نشان می دهد که چگونه می توان بسته های R و R محبوب را راه اندازی کرد و شروع به وارد کردن، تمیز کردن و تبدیل داده ها برای تجزیه و تحلیل کرد. او همچنین نشان می دهد که چگونه می توان تجسم هایی مانند نمودارهای میله ای، هیستوگرام ها و نمودارهای پراکنده ایجاد کرد و داده های طبقه بندی، کیفی و پرت را تغییر داد تا بهترین پاسخگویی به سؤالات تحقیق شما و الزامات الگوریتم های شما باشد.

مهارت ها

RStudioData ModelingRStatisticsData VisualizationData EngineeringData AnalysisProgramming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceSoftware DevelopmentOne-Off

سرفصل ها

0. مقدمه

  • 01 - داده‌های خود را منطقی کنید
  • 02 - استفاده از فایل‌های تمرین

1. R چیست

  • 03 - R در زمینه
  • 04 - علم داده با R - مطالعه موردی

2. شروع به کار

  • 05 - نصب R
  • 06 - محیط‌های R
  • 07 - نصب RStudio
  • 08 - پیمایش در محیط RStudio
  • 09 - وارد کردن داده ها
  • 10 - انواع داده‌ها و ساختارها
  • 11 - نظرات و سرفصل ها
  • 12 - پکیج‌های R
  • 13 - نظم و ترتیب
  • 14 - دستورات لوله کشی با

3. وارد کردن داده ها

  • 15 - مجموعه داده‌های داخلی R
  • 16 - کاوش مجموعه داده‌های نمونه با Pacman
  • 17 - وارد کردن داده‌ها از صفحه گسترده
  • 18 - وارد کردن داده‌های XML
  • 19 - وارد کردن داده‌های JSON
  • 20 - ذخیره داده‌ها در فرمت‌های R بومی

4. تجسم داده‌ها با ggplot2

  • 21 - مقدمه ای بر ggplot2
  • 22 - استفاده از رنگ‌ها در R
  • 23 - استفاده از پالت‌های رنگی
  • 24 - ایجاد نمودار میله ای
  • 25 - ایجاد هیستوگرام
  • 26 - ایجاد نمودارهای جعبه ای
  • 27 - ایجاد نمودارهای پراکنده
  • 28 - ایجاد نمودارهای متعدد
  • 29 - ایجاد نمودارهای خوشه ای

5. داده‌های مشاجره

  • 30 - ایجاد داده‌های مرتب
  • 31 - استفاده از تیبل
  • 32 - استفاده از data.table
  • 33 - تبدیل داده‌ها از پهن به بلند و از بلند به عریض
  • 34 - تبدیل داده‌ها از جداول به ردیف
  • 35 - کار با تاریخ و زمان
  • 36 - کار با داده‌های لیست
  • 37 - کار با داده‌های XML
  • 38 - کار با متغیرهای طبقه بندی شده
  • 39 - فیلتر کردن موارد و زیر گروه ها

6. رمزگذاری مجدد داده ها

  • 40 - رمزگذاری مجدد داده‌های طبقه بندی شده
  • 41 - رمزگذاری مجدد داده‌های کمی
  • 42 - تبدیل نقاط پرت
  • 43 - ایجاد نمرات مقیاس با شمارش
  • 44 - ایجاد نمرات مقیاس با میانگین گیری

7. یک R برای مطالعه موردی علم داده

  • 45 - علم داده با R - مطالعه موردی

8. کاوش داده ها

  • 46 - فرکانس‌های محاسباتی
  • 47 - محاسبه آمار توصیفی
  • 48 - محاسبات همبستگی
  • 49 - ایجاد جداول احتمالی
  • 50 - انجام تحلیل مؤلفه‌های اصلی
  • 51 - انجام تجزیه‌و‌تحلیل آیتم
  • 52 - انجام تحلیل عاملی تاییدی

9. تجزیه‌و‌تحلیل داده ها

  • 53 - مقایسه تناسبات
  • 54 - مقایسه یک میانگین با جامعه - آزمون t تک نمونه ای
  • 55 - مقایسه میانگین‌های زوجی - آزمون تی نمونه‌های زوجی
  • 56 - مقایسه دو میانگین - آزمون t نمونه‌های مستقل
  • 57 - مقایسه چند میانگین - تحلیل واریانس تک عاملی
  • 58 - مقايسه ميانگين‌ها با پيش بيني كننده هاي طبقه اي متعدد - تحليل واريانس عاملي

10. پیش‌بینی نتایج

  • 59 - پیش‌بینی نتایج با رگرسیون خطی
  • 60 - پیش‌بینی نتایج با رگرسیون کمند
  • 61 - پیش‌بینی نتایج با رگرسیون چندکی
  • 62 - پیش‌بینی نتایج با رگرسیون لجستیک
  • 63 - پیش‌بینی نتایج با پواسون یا رگرسیون log-linear
  • 64 - ارزیابی پیش بینی‌ها با مدل‌های ورودی مسدود

11. خوشه بندی و طبقه بندی موارد

  • 65 - گروه بندی موارد با خوشه بندی سلسله مراتبی
  • 66 - گروه بندی موارد با k-means خوشه بندی
  • 67 - طبقه بندی موارد با k نزدیکترین همسایه
  • 68 - طبقه بندی موارد با تجزیه‌و‌تحلیل درخت تصمیم
  • 69 - ایجاد مدل‌های گروهی با طبقه بندی تصادفی جنگل

نتیجه

  • 70 - مراحل بعدی

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal