تحلیل داده ۲
Data Analysis II
تکنیکهای پیشرفتهی تحلیل داده، آمار و آمادهسازی برای مدلسازی.
دربارهی این دوره
ادامهی مسیر تحلیل داده با تمرکز بر آمار استنباطی، آمادهسازی داده برای مدلسازی و گزارشسازی حرفهای. پیشنیاز این دوره داشتن دانش معادل تحلیل داده ۱ است.
در طول دوره با مفاهیم آمار استنباطی (آزمون فرض، فاصلهی اطمینان، A/B Testing)، Feature Engineering، نرمالسازی، کاهش بُعد و آمادهسازی داده برای الگوریتمهای یادگیری ماشین آشنا میشوید. بخش مهمی از دوره به ابزارهای Business Intelligence مانند Plotly و Streamlit اختصاص دارد.
خروجی دوره: توانایی پیادهسازی پایپلاین کامل تحلیل از دادهی خام تا گزارش قابل ارائه به مدیریت.
سرفصل دوره
۱۱ فصل · ۵۴ سرفصل
۱تحلیل روابط بین متغیرها۴ سرفصل
- مفهوم همبستگی و کاربردهای آن
- انواع ضرایب همبستگی
- تفسیر شدت و جهت همبستگی
- انتخاب روش مناسب برای تحلیل روابط بین متغیرها
۲آزمونهای مقایسه میانگین۵ سرفصل
- آشنایی با آمار استنباطی
- آزمون T مستقل (Independent Samples T-Test)
- آزمون T وابسته (Paired Samples T-Test)
- بررسی پیشفرضها و تفسیر نتایج
- اجرای آزمونها در R و SPSS
۳تحلیل واریانس (ANOVA)۷ سرفصل
- مبانی تحلیل واریانس
- تحلیل واریانس یکطرفه مستقل
- تحلیل واریانس دوطرفه مستقل
- تحلیل واریانس یکطرفه وابسته
- تحلیل واریانس دوطرفه وابسته
- تحلیل واریانس مختلط (Mixed ANOVA)
- مقایسه گروهها و تفسیر نتایج
۴رگرسیون و مدلسازی پیشبینی۶ سرفصل
- مبانی رگرسیون
- رگرسیون خطی ساده
- رگرسیون چندگانه (Multiple Regression)
- رگرسیون چندمتغیره (Multivariate Regression)
- ارزیابی و اعتبارسنجی مدلهای رگرسیونی
- تفسیر ضرایب و قدرت پیشبینی مدل
۵مدلهای آماری پیشرفته۴ سرفصل
- تحلیل کوواریانس (ANCOVA)
- تحلیل واریانس چندمتغیره (MANOVA)
- رگرسیون لجستیک (Logistic Regression)
- کاربرد مدلهای آماری در مسائل واقعی
۶برنامهنویسی پیشرفته در R۴ سرفصل
- ساختارهای پیشرفته برنامهنویسی در R
- مدیریت و پردازش دادههای حجیم
- توسعه اسکریپتهای تحلیلی
- خودکارسازی فرآیندهای آماری
۷مقدمهای بر مدلسازی معادلات ساختاری (SEM)۴ سرفصل
- مفهوم علیت در تحلیل داده
- چرا مدلسازی معادلات ساختاری اهمیت دارد؟
- آشنایی با چارچوب مدلسازی معادلات ساختاری
- کاربردهای SEM در پژوهش و تحلیل کسبوکار
۸مفاهیم و اجزای مدلهای SEM۶ سرفصل
- متغیرهای مشاهدهشده (Observed Variables)
- متغیرهای پنهان (Latent Variables)
- انواع مدلهای ساختاری و اندازهگیری
- همبستگی بهعنوان مدل
- مدلهای رگرسیونی در SEM
- تحلیل مسیر (Path Analysis)
۹تحلیل عاملی۵ سرفصل
- مبانی تحلیل عاملی
- تحلیل عاملی اکتشافی (EFA)
- تحلیل عاملی تأییدی (CFA)
- استخراج و تفسیر عوامل
- مدلسازی متغیرهای پنهان
۱۰کار با نرمافزارهای تخصصی مدلسازی۴ سرفصل
- ورود و آمادهسازی دادهها در AMOS و R
- طراحی و ترسیم مدلها
- اجرای تحلیلها و بررسی خروجیها
- رفع خطاهای رایج در مدلسازی
۱۱ارزیابی و بهبود مدلها۵ سرفصل
- مفهوم برازش مدل (Model Fit)
- شاخصهای برازش مدل
- تفسیر شاخصهای برازش
- شاخصهای اصلاح مدل (Modification Indices)
- بهینهسازی و بازطراحی مدلهای ساختاری
پروژه
پروژههای عملی دوره
- تحلیل روابط میان متغیرها با دادههای واقعی
- اجرای آزمونهای T و ANOVA
- توسعه مدلهای رگرسیونی و پیشبینی
- انجام تحلیل عاملی اکتشافی و تأییدی
- طراحی و ارزیابی مدلهای معادلات ساختاری در AMOS و R
دستاورد دوره
در پایان این دوره، دانشجویان قادر خواهند بود آزمونهای آماری پیشرفته را اجرا کنند، مدلهای رگرسیونی و پیشبینی بسازند، تحلیل عاملی انجام دهند و مدلهای معادلات ساختاری (SEM) را با استفاده از R و AMOS طراحی، ارزیابی و تفسیر کنند.
نحوهی برگزاری
محیط آموزشی پیشرفته و پویا
کلاسهای زندهی تعاملی بههمراه ضبط جلسات.
دورهی فشردهی پروژهمحور برای ورود سریع به بازار کار.
دورههای مرتبط در همین رشته آموزشی
تحلیل داده ۱
Data Analysis I
ورود به تحلیل داده با ابزارهای کاربردی و تمرینهای پروژهمحور.
مدلسازی در دیتا ساینس
Data Science Modeling
روششناسی مدلسازی، انتخاب الگوریتم و ارزیابی مدلهای یادگیری.
ماشین لرنینگ و یادگیری عمیق
Machine Learning & Deep Learning
از الگوریتمهای کلاسیک ML تا شبکههای عمیق؛ پروژهمحور و عملیاتی.
