R آموزش قسمت 2: مدل سازی داده ها

مقدمه Introduction

• داده های مدل با R Model data with R

• با استفاده از پرونده های تمرینی Using the exercise files

1. R برای علوم داده 1. R for Data Science

• علم داده با R: مطالعه موردی Data science with R: A case study

2. کاوش داده ها 2. Exploring Data

• فرکانس های محاسباتی Computing frequencies

• محاسبه آمار توصیفی Computing descriptive statistics

• محاسبات همبستگی Computing correlations

• ایجاد جداول احتمالی Creating contingency tables

• انجام تجزیه و تحلیل مؤلفه اصلی Conducting a principal component analysis

• انجام تجزیه و تحلیل مورد Conducting an item analysis

• انجام یک تحلیل عاملی تأییدی Conducting a confirmatory factor analysis

3. تجزیه و تحلیل داده ها 3. Analyzing Data

• مقایسه نسبت ها Comparing proportions

• مقایسه میانگین با جمعیت: آزمون t-one-sample Comparing one mean to a population: One-sample t-test

• مقایسه میانگین زوجی: آزمون t نمونه های زوجی Comparing paired means: Paired samples t-test

• مقایسه دو معنی: آزمون t نمونه های مستقل Comparing two means: Independent samples t-test

• مقایسه چند معنی: تجزیه و تحلیل واریانس یک عاملی Comparing multiple means: One-factor analysis of variance

• مقایسه ابزار با پیش بینی های طبقه ای مختلف: تجزیه و تحلیل واریانس واریانس Comparing means with multiple categorical predictors: Factorial analysis of variance

4- پیش بینی نتایج 4. Predicting Outcomes

• پیش بینی نتایج با رگرسیون خطی Predicting outcomes with linear regression

• پیش بینی نتایج با رگرسیون لاسو Predicting outcomes with lasso regression

• پیش بینی نتایج با رگرسیون کمی Predicting outcomes with quantile regression

• پیش بینی نتایج با رگرسیون لجستیک Predicting outcomes with logistic regression

• پیش بینی نتایج با پواسون یا رگرسیون خطی Predicting outcomes with Poisson or log-linear regression

• ارزیابی پیش بینی ها با مدل های ورودی مسدود شده Assessing predictions with blocked-entry models

5- موارد خوشه بندی و طبقه بندی 5. Clustering and Classifying Cases

• گروه بندی موارد با خوشه بندی سلسله مراتبی Grouping cases with hierarchical clustering

• گروه بندی موارد با خوشه بندی k به معنی Grouping cases with k-means clustering

• طبقه بندی موارد با نزدیکترین همسایگان k Classifying cases with k-nearest neighbors

• طبقه بندی موارد با تجزیه و تحلیل درخت تصمیم گیری Classifying cases with decision tree analysis

• ایجاد مدلهای گروه با طبقه بندی جنگل تصادفی Creating ensemble models with random forest classification

نتیجه Conclusion

• مراحل بعدی Next steps