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)

  • تمرین محکومیت های کیفری PCA PCA Criminal Convictions Exercise

مقیاس بندی چند بعدی (MDS) Multidimensional Scaling (MDS)

  • مواد برای بخش پوسته پوسته شدن چند بعدی Materials for Multidimensional Scaling Section

  • PCA Criminal Convictions Exercise Solution PCA Criminal Convictions Exercise Solution

  • مقدمه ای بر مقیاس بندی چند بعدی Introduction to Multidimensional Scaling

  • مقیاس بندی چند بعدی کلاسیک (قسمت 1) Classical Multidimensional Scaling (part 1)

  • مقیاس بندی چند بعدی کلاسیک (قسمت 2) Classical Multidimensional Scaling (part 2)

  • مقیاس بندی چند بعدی کلاسیک: داده های جمجمه Classical Multidimensional Scaling: Skulls Data

  • مثال مقیاس گذاری چند بعدی غیر متریک: رفتار رأی گیری Non-Metric Multidimensional Scaling Example: Voting Behavior

  • مثال مقیاس بندی چند بعدی غیر متریک: رهبران جنگ جهانی دوم Non-Metric Multidimensional Scaling Example: WW II Leaders

  • تمرین پوسته پوسته شدن چند بعدی: حجم آب Multidimensional Scaling Exercise: Water Voles

آنالیز خوشه ای Cluster Analysis

  • مواد برای بخش تجزیه و تحلیل خوشه ای Materials for Cluster Analysis Section

  • محلول تمرینی MDS Water Voles MDS Water Voles Exercise Solution

  • مقدمه ای بر تحلیل خوشه ای Introduction to Cluster Analysis

  • تکنیک های فاصله ای خوشه بندی سلسله مراتبی Hierarchical Clustering Distance Techniques

  • خوشه بندی سلسله مراتبی داده های اندازه گیری Hierarchical Clustering of Measures Data

  • خوشه بندی سلسله مراتبی جت های جنگنده Hierarchical Clustering of Fighter Jets

  • K-Means Clustering of Crime Data (قسمت 1) K-Means Clustering of Crime Data (part 1)

  • K-Means Clustering of Crime Data (قسمت 2) K-Means Clustering of Crime Data (part 2)

  • خوشه بندی داده های سفال رومی-بریتانیایی Clustering of Romano-British Pottery Data

  • K-Means طبقه بندی سیارات فراخورشیدی K-Means Classifying of Exoplanets

  • خوشه‌بندی مبتنی بر مدل سیارات فراخورشیدی Model-Based Clustering of Exoplanets

  • تجزیه و تحلیل مبتنی بر مدل مخلوط محدود Finite Mixture Model-Based Analysis

  • تجزیه و تحلیل خوشه ای همسایگی و طرح های راه راه Cluster Analysis Neighborhood and Stripes Plots

  • تمرین داده های جنایت تحلیل خوشه ای K-Means K-Means Cluster Analysis Crime Data Exercise

تحلیل عاملی اکتشافی (EFA) Exploratory Factor Analysis (EFA)

  • بخش مواد برای تحلیل عاملی اکتشافی (EFA). Materials for Exploratory Factor Analysis (EFA) Section

  • K-Means Crime Data Exercise Solution K-Means Crime Data Exercise Solution

  • مقدمه ای بر تحلیل عاملی اکتشافی (EFA) Introduction to Exploratory Factor Analysis (EFA)

  • تابع factanal() توضیح داده شد The factanal() Function Explained

  • مثال داده های زندگی EFA EFA Life Data Example

  • مثال داده مصرف دارو EFA EFA Drug Use Data Example

  • مقایسه EFA با تحلیل عاملی تاییدی (CFA) Comparing EFA with Confirmatory Factor Analysis (CFA)

  • تمرین EFA EFA Exercise

مقدمه ای بر مدل سازی معادلات ساختاری (SEM)، QGraph و SIMSEM Introduction to Structural Equation Modeling (SEM), QGraph, and SIMSEM

  • مقدمه ای بر بخش دوره SEM، QGraph و SIMSEM با مواد Introduction to the SEM, QGraph and SIMSEM Course Section with Materials

  • راه حل تمرین تحلیل عاملی اکتشافی (EFA). Exploratory Factor Analysis (EFA) Exercise Solution

  • مدل SEM مصرف دارو را مشخص و تخمین بزنید Specify and Estimate Drug Use SEM Model

  • مدل SEM بیگانگی را مشخص و تخمین بزنید Specify and Estimate Alienation SEM Model

  • تجسم QGraph QGraph Visualizations

  • قابلیت های شبیه سازی بسته SIMSEM (قسمت 1) SIMSEM Package Simulation Capabilities (part 1)

  • قابلیت های شبیه سازی بسته SIMSEM (قسمت 2) SIMSEM Package Simulation Capabilities (part 2)

نمایش نظرات

آموزش تحلیل چند متغیره کاربردی با R
جزییات دوره
12 hours
75
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
4,417
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Geoffrey Hubona, Ph.D. Geoffrey Hubona, Ph.D.

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.