زبان R چیست؟
زبان برنامهنویسی R، یکی از ابزارهای قدرتمند و محبوب در حوزه آمار و تحلیل داده است که به طور گسترده در میان پژوهشگران، متخصصان داده و دانشجویان استفاده میشود. این زبان...
زبان R چیست؟
زبان برنامهنویسی R، یکی از ابزارهای قدرتمند و محبوب در حوزه آمار و تحلیل داده است که به طور گسترده در میان پژوهشگران، متخصصان داده و دانشجویان استفاده میشود. این زبان به ویژه برای مدلسازی آماری، یادگیری ماشین، تحلیل دادههای حجیم و مصورسازی نتایج کاربرد فراوان دارد و به دلیل وجود کتابخانهها و پکیجهای متنوع، یکی از کاملترین محیطها برای تحلیل داده محسوب میشود.
اهمیت یادگیری آمار با استفاده از R چیست؟
در عصر حاضر که با انفجار دادهها در حوزههای سلامت، صنعت، اقتصاد و فناوری روبهرو هستیم، توانایی ساخت مدلهای قابل اعتماد و دقیق برای پیشبینی و تصمیمگیری یک مزیت رقابتی کلیدی است. بسیاری از مدلهای آماری کلاسیک در مواجهه با دادههای حجیم، ابعاد بالا یا الگوهای غیرخطی دچار محدودیت میشوند. در چنین شرایطی، یادگیری روشهای آماری پیشرفته و تسلط بر ابزاری مانند R اهمیت ویژهای پیدا میکند.
با یادگیری آمار با استفاده از R میتوانید:
مدلهای دقیقتری بسازید که عملکرد بهتری در پیشبینی دارند.
مدلها را بهینه کرده و از مشکل Overfitting جلوگیری کنید.
از روشهای نوین مانند Lasso ،Random Forest و SVM در پروژههای عملی بهره ببرید.
مفاهیم را نه فقط در سطح تئوری، بلکه به صورت کاربردی از طریق کدنویسی در R پیادهسازی کنید.
در این فرادرس چه چیزی یاد میگیریم؟
در این آموزش، مفاهیم بهصورت گامبهگام، کوتاه و هدفمند ارائه میشوند. در هر درس ابتدا مباحث نظری و شهودی مطرح شده و سپس با مثالهای عملی در محیط R تکمیل میشوند. همچنین نکات مهم کدنویسی و اجرای پروژههای واقعی به مخاطب آموزش داده میشود تا بتواند دانش نظری خود را در عمل به کار گیرد. هدف ما این است که مخاطب نه تنها مفاهیم آماری پیشرفته را بیاموزد، بلکه توانایی استفاده از آنها را در تحلیل دادههای واقعی به دست آورد.
فصل یکم: انتخاب مدل و تنظیم آن
درس ۱: معرفی کلی و معیارهای انتخاب مدل
درس ۲: انتخاب زیرمجموعهای از متغیرها
درس ۳: رگرسیون Ridge ،Lasso و Elastic Net
درس ۴: تنظیم ابرپارامترها و مقایسه مدلها
درس ۵: تمرین عملی بررسی Overfitting و Underfitting در مدلهای آماری
درس ۶: تمرین عملی ارزیابی عملکرد مدلهای آماری
درس ۷: تمرین عملی انتخاب مدل بهینه بر اساس معیارهای آماری
فصل دوم: کاهش بعد و مدلسازی در فضای با بعد بالا
درس ۸: تحلیل مولفههای اصلی (PCA)
درس ۹: کاربرد PCA در مدلسازی و تفسیر ابعاد
درس ۱۰: تمرین عملی تحلیل مولفههای اصلی
درس ۱۱: تمرین عملی رگرسیون با استفاده از مولفههای اصلی
فصل سوم: مدلهای غیرخطی و افزایشی
درس ۱۲: رگرسیون چندجملهای و Step Functions
درس ۱۳: مفهوم و پیادهسازی Basis Functions
درس ۱۴: Splines و Smoothing Splines
درس ۱۵: معرفی GAM و ساختار کلی
درس ۱۶: تمرین عملی رگرسیون چندجملهای
درس ۱۷: تمرین عملی رگرسیون اسپلاین و مدلهای افزایشی
فصل چهارم: روشهای درختی و یادگیری تجمعی
درس ۱۸: ساختار درخت تصمیم
درس ۱۹: پیادهسازی و تفسیر درختها
درس ۲۰: مفهوم Bagging و Random Forest
درس ۲۱: Boosting و کاربردهای آن
درس ۲۲: تمرین عملی روشهای درختی
فصل پنجم: ماشین بردار پشتیبان
درس ۲۳: مفهوم Hyperplane و Maximal Margin Classifier
درس ۲۴: Support Vector Classifier برای دادههای غیرقابل تفکیک
درس ۲۵: SVM غیرخطی با کرنل
درس ۲۶: تمرین عملی و کدنویسی SVM
فصل ششم: راهنمایی ادامه مسیر
درس ۲۷: جمعبندی و نتیجه مباحث
درس ۲۸: ادامه یادگیری
سرفصلهای دوره
چکیده
0:01:05
معرفی کلی و معیارهای انتخاب مدل
رایگان0:17:33
انتخاب زیرمجموعهای از متغیرها
0:07:00
رگرسیون Ridge ،Lasso و Elastic Net
0:05:18
تنظیم ابرپارامترها و مقایسه مدلها
0:05:43
تمرین عملی بررسی Overfitting و Underfitting در مدلهای آماری
0:11:02
تمرین عملی ارزیابی عملکرد مدلهای آماری
رایگان0:08:12
تمرین عملی انتخاب مدل بهینه بر اساس معیارهای آماری
0:11:41
آزمون درس 7
تحلیل مولفههای اصلی (PCA)
0:12:12
کاربرد PCA در مدلسازی و تفسیر ابعاد
0:04:26
تمرین عملی تحلیل مولفههای اصلی
0:12:02
تمرین عملی رگرسیون با استفاده از مولفههای اصلی
رایگان0:07:38
رگرسیون چندجملهای و Step Functions
0:09:49
مفهوم و پیادهسازی Basis Functions
0:04:32
Splines و Smoothing Splines
0:09:24
معرفی GAM و ساختار کلی
0:05:26
تمرین عملی رگرسیون چندجملهای
0:09:48
تمرین عملی رگرسیون اسپلاین و مدلهای افزایشی
0:09:04
ساختار درخت تصمیم
0:08:18
پیادهسازی و تفسیر درختها
0:09:32
مفهوم Bagging و Random Forest
رایگان0:07:01
Boosting و کاربردهای آن
0:08:41
تمرین عملی روشهای درختی
0:13:54
مفهوم Hyperplane و Maximal Margin Classifier
رایگان0:08:24
Support Vector Classifier برای دادههای غیرقابل تفکیک