آموزش راهنمای کامل R: بحث، تجسم، و مدل سازی داده ها

سرفصل ها و درس ها

معرفی Introduction

• داده های خود را منطقی کنید Make your data make sense

• با استفاده از فایل های تمرین Using the exercise files

1. R چیست؟ 1. What Is R?

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

• R در زمینه R in context

2. شروع به کار 2. Getting Started

• نظم و ترتیب The tidyverse

• انواع داده ها و ساختارها Data types and structures

• نصب R Installing R

• بسته های R Packages for R

• نصب RStudio Installing RStudio

• محیط های R Environments for R

• دستورات لوله کشی با %>% Piping commands with %>%

• پیمایش در محیط RStudio Navigating the RStudio environment

• نظرات و سرفصل ها Comments and headers

• وارد کردن داده ها Entering data

3. وارد کردن داده ها 3. Importing Data

• ذخیره داده ها در فرمت های R بومی Saving data in native R formats

• وارد کردن داده ها از صفحه گسترده Importing data from a spreadsheet

• مجموعه داده های داخلی R R's built-in datasets

• کاوش مجموعه داده های نمونه با Pacman Exploring sample datasets with pacman

• وارد کردن داده های XML Importing XML data

• وارد کردن داده های JSON Importing JSON data

4. تجسم داده ها با ggplot2 4. Visualizing Data with ggplot2

• ایجاد نمودارهای میله ای Creating bar charts

• استفاده از پالت های رنگی Using color palettes

• ایجاد هیستوگرام Creating histograms

• مقدمه ای بر ggplot2 Introduction to ggplot2

• ایجاد نمودارهای خوشه ای Creating cluster charts

• استفاده از رنگ ها در R Using colors in R

• ایجاد نمودارهای متعدد Creating multiple graphs

• ایجاد نمودارهای پراکنده Creating scatterplots

• ایجاد نمودارهای جعبه Creating box plots

5. داده های مشاجره 5. Wrangling Data

• کار با داده های لیست Working with list data

• کار با متغیرهای طبقه بندی شده Working with categorical variables

• با استفاده از data.table Using data.table

• ایجاد داده های مرتب Creating tidy data

• تبدیل داده ها از پهن به بلند و از بلند به عریض Converting data from wide to tall and from tall to wide

• استفاده از تیبل ها Using tibbles

• تبدیل داده ها از جداول به ردیف Converting data from tables to rows

• کار با داده های XML Working with XML data

• فیلتر کردن موارد و زیر گروه ها Filtering cases and subgroups

• کار با تاریخ و زمان Working with dates and times

6. رمزگذاری مجدد داده ها 6. Recoding Data

• رمزگذاری مجدد داده های طبقه بندی شده Recoding categorical data

• تبدیل نقاط پرت Transforming outliers

• رمزگذاری مجدد داده های کمی Recoding quantitative data

• ایجاد امتیاز مقیاس با میانگین گیری Creating scale scores by averaging

• ایجاد نمرات مقیاس با شمارش Creating scale scores by counting

7. یک R برای مطالعه موردی علم داده 7. An R for Data Science Case Study

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

8. کاوش داده ها 8. Exploring Data

• انجام تحلیل عاملی تاییدی Conducting a confirmatory factor analysis

• انجام تجزیه و تحلیل آیتم Conducting an item analysis

• ایجاد جداول احتمالی Creating contingency tables

• فرکانس های محاسباتی Computing frequencies

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

• محاسبات همبستگی Computing correlations

• محاسبه آمار توصیفی Computing descriptive statistics

9. تجزیه و تحلیل داده ها 9. Analyzing Data

• مقایسه میانگین‌ها با پیش‌بینی‌کننده‌های طبقه‌بندی متعدد: تحلیل واریانس عاملی Comparing means with multiple categorical predictors: Factorial analysis of variance

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

• مقایسه یک میانگین با جامعه: آزمون t تک نمونه ای Comparing one mean to a population: One-sample t-test

• مقایسه چند میانگین: تحلیل واریانس تک عاملی Comparing multiple means: One-factor analysis of variance

• مقایسه نسبت ها Comparing proportions

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

10. پیش بینی نتایج 10. Predicting Outcomes

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

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

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

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

• ارزیابی پیش‌بینی‌ها با مدل‌های ورودی مسدود Assessing predictions with blocked-entry models

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

11. خوشه بندی و طبقه بندی موارد 11. Clustering and Classifying Cases

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

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

• ایجاد مدل های گروهی با طبقه بندی تصادفی جنگل Creating ensemble models with random forest classification

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

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

نتیجه Conclusion

• مراحل بعدی Next steps