لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تحلیل چند متغیره کاربردی با R
Applied Multivariate Analysis with R
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یاد بگیرید که از نرم افزار R برای انجام PCA، MDS، تجزیه و تحلیل خوشه ای، EFA و تخمین مدل های SEM استفاده کنید. با استفاده از نرم افزار R در تجزیه و تحلیل داده های واقعی، مهارت های چند متغیره و تکنیک های عملی را مفهوم سازی و به کار ببرید. با R تجسم داده های چند متغیره دوبعدی و سه بعدی جدید و خیره کننده ایجاد کنید. تجزیه و تحلیل اجزای اصلی (PCA) را تنظیم و تخمین بزنید. یک مسئله مقیاس بندی چند بعدی (MDS) را فرموله و برآورد کنید. داده های مشابه (یا غیر مشابه) را با تکنیک های تحلیل خوشه ای گروه بندی کنید. تحلیل عاملی اکتشافی (EFA) را برآورد و تفسیر کنید. یک مدل معادلات ساختاری (SEM) را با استفاده از نماد RAM در R مشخص و تخمین بزنید. در مورد قابلیت های شبیه سازی SEM از بسته R SIMSEM آگاه باشید. پیش نیازها: دانش یا مهارت خاصی مورد نیاز نیست. دانشآموزان باید نرمافزار R Console و RStudio بدون هزینه را نصب کنند (دستورالعملهای ارائه شده). با این حال، اگر دانش آموزان علاقه و استعدادی در تحلیل کمی یا آماری داشته باشند، مفید است.
تحلیل چند متغیره کاربردی (MVA) با R یک دوره عملی، مفهومی و کاربردی است که به دانشآموزان میآموزد که چگونه وظایف مختلف MVA را با استفاده از مجموعه دادههای واقعی و نرمافزار R انجام دهند. این یک دوره آموزشی عالی و کاربردی برای هر کسی است که با وظایف و مسئولیتهای آموزشی یا حرفهای در زمینههای داده کاوی یا تجزیه و تحلیل پیشبینیکننده، مدلسازی آماری یا کمی (شامل مدلسازی خطی، GLM و/یا غیرخطی، معادلات ساختاری مبتنی بر کوواریانس) مشغول است. مشخصات و تخمین مدلسازی (SEM) و/یا مشخصات و تخمین مدل مسیر مبتنی بر واریانس دانش آموزان همه چیز را در مورد ماهیت داده های چند متغیره و تجزیه و تحلیل چند متغیره یاد می گیرند تجزیه و تحلیل (PCA) تجزیه و تحلیل عوامل اکتشافی (EFA) و همچنین به شما آموزش می دهد که چگونه با استفاده از نرم افزار R. اسکریپت های R، مجموعه داده ها و اسلایدهای مورد استفاده در تمام سخنرانی ها در مواد دوره ارائه شده است. دانشآموزان را قبل از شروع به تقویت یادگیری مفاهیم و مهارتهای MVA تکمیل کنند. این دوره وسیلهای عالی برای کسب مهارتهای تحلیل پیشبینیکننده «دنیای واقعی» است که امروزه در محل کار تقاضای زیادی دارد. این دوره همچنین منبع پرباری از مهارتها و دانش مربوطه برای دانشجویان تحصیلات تکمیلی و اساتیدی است که به تجزیه و تحلیل و تفسیر دادههای تحقیق نیاز دارند.
سرفصل ها و درس ها
مقدمه ای بر داده های چند متغیره و تجزیه و تحلیل
Introduction to Multivariate Data and Analysis
دوره مقدماتی آنالیز چند متغیره (MVA).
Introduction to Multivariate Analysis (MVA) Course
مواد برای بخش 1 مقدمه ای بر داده های MV و تجزیه و تحلیل
Materials for Section 1 Introduction to MV Data and Analysis
"تحلیل چند متغیره" چیست؟
What is "Multivariate Analysis" ?
مقادیر از دست رفته و مجموعه داده اندازه گیری
Missing Values and the Measure Dataset
سایر مجموعه داده های چند متغیره
Other Multivariate Datasets
کوواریانس، همبستگی و فاصله (قسمت 1)
Covariance, Correlation and Distance (part 1)
کوواریانس، همبستگی و فاصله (قسمت 2)
Covariance, Correlation and Distance (part 2)
کوواریانس، همبستگی و فاصله (قسمت 3)
Covariance, Correlation and Distance (part 3)
تابع چگالی نرمال چند متغیره
The Multivariate Normal Density Function
تنظیم نمودارهای عادی
Setting Up Normality Plots
ترسیم نمودارهای عادی
Drawing Normality Plots
تمرینات کوواریانس، همبستگی و نرمال بودن
Covariance, Correlation and Normality Exercises
تجسم داده های چند متغیره
Visualizing Multivariate Data
مواد و تمرینات برای تجسم بخش داده های چند متغیره
Materials and Exercises for Visualizing Multivariate Data Section
ماتریس های کوواریانس و همبستگی با داده های از دست رفته (قسمت 1)
Covariance and Correlation Matrices with Missing Data (part 1)
ماتریس های کوواریانس و همبستگی با داده های از دست رفته (قسمت 2)
Covariance and Correlation Matrices with Missing Data (part 2)
تک متغیره و چند متغیره QQPlots داده های سفال
Univariate and Multivariate QQPlots of Pottery Data
تبدیل کوواریانس به ماتریس همبستگی
Converting Covariance to Correlation Matrices
قطعه هایی برای توزیع های حاشیه ای
Plots for Marginal Distributions
شناسایی پرت
Outlier Identification
چی، حباب، و دیگر طرح های گلیف
Chi, Bubble, and other Glyph Plots
ماتریس پراکنده
Scatterplot Matrix
برآوردگرهای چگالی هسته
Kernel Density Estimators
گرافیک سه بعدی و داربست (بسته مشبک).
3-Dimensional and Trellis (Lattice Package) Graphics
گرافیک بیشتر Trellis (بسته مشبک).
More Trellis (Lattice Package) Graphics
تمرین های تجسم باکس پلات و ChiPlot دو متغیره
Bivariate Boxplot and ChiPlot Visualizations Exercises
تجزیه و تحلیل اجزای اصلی (PCA)
Principal Components Analysis (PCA)
بخش مواد برای تجزیه و تحلیل اجزای اصلی (PCA).
Materials for Principal Components Analysis (PCA) Section
راه حل تمرین تجسم باکس پلات دو متغیره
Bivariate Boxplot Visualization Exercise Solution
راه حل تمرین تجسم ChiPlot
ChiPlot Visualization Exercise Solution
"تحلیل اجزای اصلی" (PCA) چیست؟
What is a "Principal Components Analysis" (PCA) ?
مبانی PCA با R: داده های خون (قسمت 1)
PCA Basics with R: Blood Data (part 1)
مبانی PCA با R: داده های خون (قسمت 2)
PCA Basics with R: Blood Data (part 2)
PCA با داده های اندازه سر (قسمت 1)
PCA with Head Size Data (part 1)
PCA با داده های اندازه سر (قسمت 2)
PCA with Head Size Data (part 2)
PCA با داده های Heptathlon (قسمت 1)
PCA with Heptathlon Data (part 1)
PCA با داده های Heptathlon (قسمت 2)
PCA with Heptathlon Data (part 2)
PCA با داده های هفتگانه (قسمت 3)
PCA with Heptathlon Data (part 3)
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
دانشیار سیستم های اطلاعاتی دکتر جفری هوبونا از سال 1993 در 4 دانشگاه بزرگ ایالتی در ایالات متحده دوره های تصدی تمام مدت و استعفا ، استادیار و دانشیار را حفظ کرده است. در حال حاضر ، وی دانشیار MIS در دانشگاه بین المللی A&M تگزاس است که برای آن تدریس می کند دوره های اعتباری در تجسم داده های تجاری (دوره کارشناسی) ، برنامه نویسی پیشرفته با استفاده از R (فارغ التحصیل) و داده کاوی و تجزیه و تحلیل تجارت (فارغ التحصیل). در سمت های قبلی دانشکده دانشگاهی ، او ده ها آماره مختلف ، سیستم های اطلاعات کسب و کار و دوره های علوم کامپیوتر را در مقطع کارشناسی ، کارشناسی ارشد و دکتری تدریس کرد. دانش آموزان. وی دکترای خود را کسب کرد. در رشته مدیریت بازرگانی (سیستم های اطلاعاتی و علوم کامپیوتر) از دانشگاه فلوریدا جنوبی (USF) در تامپا ، فلوریدا. کارشناسی ارشد اقتصاد ، همچنین از USF. MBA در رشته مالی از دانشگاه جورج میسون در فیرفکس ، VA ؛ و لیسانس روانشناسی از دانشگاه ویرجینیا در شارلوتسویل ، VA. او بنیانگذار مدرسه جورجیا R (2010-2014) و R-Courseware (2014 تا کنون) ، سازمان های آموزشی آنلاین است که روش های تحقیق و تکنیک های تجزیه و تحلیل کمی را آموزش می دهند. این تکنیک های روش تحقیق شامل مدلسازی خطی و غیرخطی ، روش های چند متغیره ، داده کاوی ، برنامه نویسی و شبیه سازی و مدل سازی معادلات ساختاری و مدل حداقل مربعات جزئی (PLS) است.
نمایش نظرات