پرش به محتوای اصلی
آموزشگاه ایده‌نت (ایمن دیده‌بان شبکه)
علم داده و هوش مصنوعی

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

حضوری

محیط آموزشی پیشرفته و پویا

آنلاین

کلاس‌های زنده‌ی تعاملی به‌همراه ضبط جلسات.

بوت‌کمپ

دوره‌ی فشرده‌ی پروژه‌محور برای ورود سریع به بازار کار.