✨✨✨#زیبایی_های_ریاضی✨✨✨

🤩 تمام الگوهای موجود در طبیعت را ممکن است با استفاده از این نظریه ریاضی توصیف شود. آلن تورینگ چگونه روی دید ما از جهان طبیعی تأثیر گذاشت؟

📱https://youtu.be/F1hX_nzTlgU?si=eweSU-V-T57cYT_3

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✈️@IDSchools
✈️@IDS_Math

🖥 #سازنده_جهان_دیجیتال

📱 این ویدیو با برجسته کردن 10 فناوری برتر برای یادگیری در سال 2024، آخرین روندهای فناوری را ارائه می‌دهد. با گذشت زمان، پیشرفت‌های فن‌آوری جدید همچنان به ظهور می‌رسند و به چالش‌های جهانی می‌پردازند و نوید ساده‌سازی زندگی در سال‌های آینده را می‌دهند.

https://youtu.be/vQPgEm9jAJI?si=F3P07hXnbx58Bi84

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

📚#سفر_به_دنیای_کتاب_ها
✨10 کتاب آماری که باید دانلود کنید! (دسترسی رایگان)
در این پست ما این کتاب‌های فوق العاده را با شما به اشتراک می‌گذاریم که مطمئنا به پروژه تحقیقاتی شما کمک می‌کند.

1️⃣ مقدمه ای بر آمارهای نوین
مقدمه‌ای بر آمار مدرن، ویرایش اول توسط Mine Çetinkaya-Rundel و Johanna Hardin است. Introduction to Modern Statistics، یک کتاب درسی از پروژه OpenIntro است.
2️⃣ آشنایی با آمار و طراحی تجربی
این کتاب درسی، زمینه لازم برای استفاده صحیح، تفسیر و درک آمار و داده‌های آماری را در تنظیمات مختلف فراهم می‌کند. بخش اول مفاهیم کلیدی در آمار را به راحتی روشن می‌کند. بخش‌های I و II مروری بر رایج‌ترین آزمون‌ها (آزمون t، ANOVA، همبستگی) ارائه می‌کنند و اصول آماری آن‌ها را بررسی می‌کنند. بخش سوم بینشی در مورد فراآمار ارائه می‌دهد و نشان می‌دهد که چرا آزمایش‌ها اغلب تکرار نمی‌شوند. در نهایت، کتاب درسی نشان می‌دهد که چگونه می‌توان با استفاده از طراحی آزمایشی هوشمندانه از آمارهای پیچیده جلوگیری کرد.
3️⃣ آمار برای دانشجویان پژوهشگر
هدف این کتاب کمک به درک و هدایت مفاهیم آماری و انواع اصلی تحلیل های آماری ضروری برای دانشجویان پژوهشی است.
4️⃣ آمار مدرن با R
دهه‌های گذشته دنیای تحلیل داده‌های آماری را با روش‌های جدید، انواع جدید داده‌ها و ابزارهای محاسباتی جدید متحول کرده است. هدف Modern Statistics with R این است که شما را با بخش‌های کلیدی مجموعه ابزار آماری مدرن آشنا کند.
5️⃣ راه حل‌های نمونه اندازه کوچک
محققان اغلب در جمع‌آوری داده‌های کافی برای آزمایش فرضیه‌های خود با مشکل مواجه می‌شوند، یا به این دلیل که گروه‌های هدف کوچک هستند یا دسترسی به آنها دشوار است، یا به این دلیل که جمع‌آوری داده‌ها مستلزم هزینه‌های گزافی است. چنین موانعی ممکن است منجر به مجموعه داده‌هایی شود که برای پیچیدگی مدل آماری مورد نیاز برای پاسخ به سؤال تحقیق بسیار کوچک هستند. این کتاب منحصربه‌فرد دستورالعمل‌ها و ابزارهایی را برای پیاده‌سازی راه‌حل‌هایی برای مسائلی که در تحقیقات نمونه کوچک به وجود می‌آیند ارائه می‌کند. هر فصل روش‌های آماری را نشان می‌دهد که به محققین اجازه می‌دهد تا زمانی که نمونه بسیار کوچک است، مدل آماری بهینه را برای سؤال تحقیق خود اعمال کنند.
6️⃣ آمار مقدماتی
آمار مقدماتی دامنه و توالی الزامات یک ترم مقدماتی درس آمار را دنبال می‌کند و برای دانشجویانی که در رشته‌هایی غیر از ریاضی یا مهندسی تحصیل می‌کنند، طراحی شده است. این متن مقداری دانش از جبر متوسط ​​را در نظر گرفته و بر کاربرد آمار بر نظریه تمرکز دارد. آمار مقدماتی شامل کاربردهای عملی ابتکاری است که متن را مرتبط و در دسترس می‌سازد، همچنین تمرین‌های مشترک، مشکلات یکپارچه‌سازی فناوری، و آزمایشگاه‌های آماری را شامل می‌شود.
7️⃣ راهنماهای ریاضی و آمار
این کتاب حاوی محتوایی است که در اصل در صفحه منابع مرکز پشتیبانی ریاضی، وبلاگی که توسط معلمان و کارکنان دانشجو در دانشگاه بالتیمور اداره می‌شود، ارسال شده است. فصل‌ها عمدتاً بر اساس سیستم برچسب‌گذاری وبلاگ منبع سازمان‌دهی شده‌اند و ممکن است شامل ارجاعاتی به دروس ریاضی و آماری باشد که توسط دانشگاه ارائه می‌شود.
8️⃣ آمار عمدتا بی‌ضرر
این متن برای دوره احتمالات و آمار سطح مقدماتی با پیش نیاز جبر متوسط ​​است. تمرکز متن از دستورالعمل‌های انجمن آماری آمریکا برای ارزیابی و آموزش در آموزش آمار (GAISE) پیروی می‌کند.
9️⃣ مقدمه‌ای بر آمار
مقدمه‌ای بر آمار: یک رویکرد مبتنی بر اکسل، دانشجویان را با مفاهیم و کاربردهای آمار، با تمرکز بر استفاده از اکسل برای انجام محاسبات آماری آشنا می‌کند. این کتاب در سطح مقدماتی نوشته شده است و برای دانشجویان در رشته‌هایی غیر از ریاضیات یا مهندسی طراحی شده است، اما به درک اساسی از آمار نیاز دارند. متن بر درک و به کارگیری ابزارهای آماری بیش از تئوری تأکید دارد، اما دانش جبر مورد نیاز است.
0️⃣1️⃣ آمار کالج
آمار مقدماتی برای دوره یک ترم مقدماتی آمار برای دانشجویانی که رشته ریاضی یا مهندسی نیستند در نظر گرفته شده است. بر تفسیر نتایج آماری، به ویژه در شرایط دنیای واقعی تمرکز دارد و فرض می‌کند که دانش‌آموزان درک درستی از جبر متوسط ​​دارند. علاوه بر تمرین پایان بخش و مجموعه تکالیف، نمونه‌هایی از هر موضوع به صورت گام به گام در سراسر متن توضیح داده می‌شود و به دنبال آن یک مسئله امتحان کنید که به عنوان تمرین اضافی برای دانش آموزان طراحی شده است.
✉️@IDSchools
✉️@IDS_Math

🌐 #توسعه_و_تحقیق_کار_ها

9️⃣ آموزش آمار با SPSS- قسمت نهم

◀️ در این قسمت با آزمون بیش از دو گروه (آنالیز واریانس یک طرفه) بیشتر آشنا میشیم.

#️⃣#آموزش_آمار_با_SPSS
#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🎲#گام_به_گام

💻 کدنویسی

2️⃣1️⃣ دستورات پایه در پایتون: قسمت دوازدهم

⬅️ رشته ها
رشته‌ها در پایتون توسط یک علامت نقل قول یا دو علامت نقل قول احاطه شده‌اند.

خروجی "Hello" با 'Hello' یکسان است.

شما می‌توانید با تابع print() یک رشته را به صورت واقعی نمایش دهید:

🟡 مثال
print("Hello")
print('Hello')
خروجی پایتون
Hello
Hello

⬅️ نقل قول در داخل نقل قول
شما می توانید از نقل قول ها در داخل یک رشته استفاده کنید، به شرطی که با نقل قول های اطراف رشته مطابقت نداشته باشند:

🟡 مثال
print("It's alright")
print("He is called 'Johnny'")
print('He is called "Johnny"')
خروجی پایتون
It's alright
He is called 'Johnny'
He is called "Johnny"

⬅️ رشته را به یک متغیر اختصاص دهید.
تخصیص یک رشته به یک متغیر با نام متغیر و به دنبال آن علامت مساوی و رشته انجام می شود:

🟡 مثال
a = "Hello"
print(a)
خروجی پایتون
Hello

⬅️ رشته های چند خطی
با استفاده از سه نقل قول می توانید یک رشته چند خطی را به یک متغیر اختصاص دهید:

🟡مثال
می توانید از سه نقل قول دوگانه استفاده کنید:
a = """Lorem ipsum dolor sit amet,
consectetur adipiscing elit,
sed do eiusmod tempor incididunt
ut labore et dolore magna aliqua."""
print(a)
یا از سه نقل قول تکی
a = '''Lorem ipsum dolor sit amet,
consectetur adipiscing elit,
sed do eiusmod tempor incididunt
ut labore et dolore magna aliqua.'''
print(a)
خروجی پایتون برای هر دو دستور:
Lorem ipsum dolor sit amet,
consectetur adipiscing elit,
sed do eiusmod tempor incididunt
ut labore et dolore magna aliqua.

❗️توجه: در خروجی، رفتن به خط بعدی در همان موقعیتی که در کد درج شده است، اتفاق می‌افتد.
🕐 ادامه دارد....

#️⃣#کدنویسی
#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

😊#زنگ تفریح

🤔 ریاضیات کشف شده یا اختراع شده است؟!


📱https://youtu.be/X_xR5Kes4Rs?si=8rSZRq3r4uttUhX8

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

✨✨✨#زیبایی_های_ریاضی✨✨✨

💡 ما هر روز از اعداد استفاده می‌کنیم، اما آیا می‌دانید که هر عدد ویژگی‌های منحصر به فردی دارد؟ بیایید نگاهی به برخی از خواص شگفت‌انگیز اعداد بیندازیم. آیا می‌خواهید یاد بگیرید که چگونه می‌توان یک عدد Palindromic یا Gapful را تشخیص داد یا اعداد جاسوسی را از دیگر اعداد متمایز کرد؟ اعداد می‌توانند واقعاً جذاب باشند!

◀️نظریه اعداد، شاخه‌ای از ریاضیات است که به مطالعه ویژگی‌های اعداد صحیح اختصاص دارد. بیایید برنامه‌ای بسازیم که خصوصیات اعداد ورودی را نمایش دهد.

✅ اعداد Buzz: این اعداد یا بر 7 بخش پذیر هستند یا با 7 پایان می‌یابند. به عنوان مثال، عدد 14 یک عدد Buzz است، زیرا بدون باقی‌مانده بر 7 بخش پذیر است. عدد 17 نیز به 7 ختم می‌شود و بنابراین یک عدد Buzz است. اما عدد 75 یک عدد Buzz نیست، زیرا نه بر 7 بخش پذیر است و نه به 7 ختم می‌شود. عدد 7 هم یک عدد Buzz به حساب می‌آید.

✅ اعداد Duck: این اعداد مثبت دارای حداقل یک صفر هستند. برای مثال، 3210، 8050896 و 70709 اعداد Duck هستند. توجه داشته باشید که عددی با صفر ابتدایی، عدد Duck نیست. برای مثال، 035 و 0212 اعداد Duck نیستند، اما 01203 یک عدد Duck است زیرا دارای صفر دنباله‌دار است.

✅ اعداد Palindromic: این اعداد متقارن هستند و از هر دو سمت که خوانده شوند، یکسان باقی می‌مانند. به عنوان مثال، 17371 و 5 هر دو عدد Palindromic هستند، در حالی که عدد 1234 Palindromic نیست چون از سمت راست خوانده شود، 4321 خواهد شد.

✅ اعداد Gapful: این اعداد حداقل شامل 3 رقم هستند و بر الحاق اولین و آخرین رقم آن‌ها بدون باقی‌مانده بخش پذیرند. برای مثال، 12 یک عدد Gapful نیست زیرا فقط دو رقم دارد، اما 132 یک عدد Gapful است زیرا 132 % 12 == 0. مثال دیگری از یک عدد Gapful، 7881 است زیرا 7881 % 71 == 0.

✅ اعداد جاسوسی: اگر مجموع تمام ارقام برابر با حاصل‌ضرب آن‌ها باشد، آن عدد جاسوسی است.

✅ اعداد آفتابی: اگر N+1 یک عدد مربع کامل باشد، N یک عدد آفتابی است و می‌توان آن را به صورت 3 × 3 نوشت.

✅ اعداد پرشی: یک عدد پرشی است اگر ارقام مجاور آن با 1 متفاوت باشند. تفاوت بین 9 و 0 به عنوان 1 در نظر گرفته نمی‌شود. برای مثال، 78987 و 4343456 اعداد پرشی هستند، اما 796 و 89098 نیستند.

✅ اعداد خوشحال: در تئوری اعداد، عددی خوشحال است که پس از دنباله‌ای که در آن عدد با مجموع مربع‌های هر رقم جایگزین می‌شود، به عدد 1 برسد. برای مثال، 13 یک عدد خوشحال است زیرا 1^2 + 3^2 = 10 که منجر به 1^2 + 0^2 = 1 می‌شود. اما عدد 4 خوشحال نیست زیرا دنباله‌ای که با 2^4 شروع می‌شود به چرخه‌ای بی‌نهایت منتهی می‌شود. به اعدادی که خوشحال نیستند "غمگین" یا "ناخوشنود" گفته می‌شود.

#️⃣#IDSchools
#️⃣#IDS
#️⃣#IDS_Math

✉️@IDSchools
✉️@IDS_Math

🔈 معرفی و ثبت نام دوره پاییزی دپارتمان ریاضی، آمار و علوم کامپیوتر با عنوان «دوره R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

📊 در دنیای امروز، داده‌ها به عنوان یکی از مهم‌ترین دارایی‌های مراکز پژوهشی، سازمان‌ها و کسب‌وکارها شناخته می‌شوند. با رشد روزافزون حجم و پیچیدگی داده‌ها، نیاز به ابزارها و مهارت‌های مناسب برای تحلیل سریع و دقیق آن‌ها بیشتر شده است. تسلط بر این ابزارها، تحلیلگران را قادر می‌سازد تا فرآیندهای پاک‌سازی، تغییر شکل و تجسم داده‌ها را به صورت کارآمد و بهینه انجام دهند. «دوره R از مقدماتی تا پیشرفته؛ تحلیل داده حرفه ای با R» برای افرادی طراحی شده است که به دنبال ارتقاء مهارت‌های خود در تحلیل داده هستند و می‌خواهند با استفاده از تکنیک‌ها و ابزارهای استاندارد در دنیای حرفه‌ای تحلیل داده‌ها بدرخشند.

✔️ مخاطبان این دوره پژوهشگران حوزه های علمی مختلف، تحلیلگران و دانشجویان علاقمند به حوزه علم داده، و همینطور افراد شاغل در حوزه فناوری های اطلاعات، تحلیل داده و کسب و کار هستند.

👤 مدرس این دوره آقای دکتر علی محمدی مدرس جهاد دانشگاهی دانشگاه صنعتی شریف است. این دوره طی 12 جلسه دو ساعته و در روزهای شنبه، از ساعت 19 تا 21 برگزار می‌گردد.

🔴 به زودی نحوه ثبت نام در این دوره ارزنده در این کانال خدمت شما عزیزان اطلاع رسانی می شود.


🟣مدیریت دپارتمان ریاضی، آمار و علوم کامپیوتر مجموعه علمی و پژوهشی مدارس میان رشته‌ای

✉️ @IDSchools
✉️ @IDS_Math

🆕🆕🆕🆕🆕🆕🆕🆕🆕

🔴 «دپارتمان ریاضی، آمار و علوم کامپیوتر مجموعه علمی و پژوهشی مدارس میان رشته ای» برگزار می کند:

✨ دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»-دوره مجازی

🎙 با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

🔹 سرفصل جلسات:

⬅️هفته اول: مبانی R و نصب برنامه
⬅️هفته دوم: کنترل جریان برنامه، انواع شرط ها، حلقه و توابع
⬅️هفته سوم و چهارم: Basic Data Management
⬅️هفته پنجم و ششم: Basic Graph
⬅️ هفته هفتم و هشتم: Basic Statistics
⬅️هفته نهم و دهم: Regression
⬅️هفته یازدهم و دوازدهم: Basic Network Analysis in R

❗️شنبه ها، به مدت 12 هفته، 12 جلسه دو ساعته از 3 آذر تا 20 بهمن 1403
⏰ از ساعت 🔜 19 تا 21

✅ همراه با گواهی حضور به انگلیسی

🔴 ثبت نام و کسب اطلاعات بیشتر:

https://www.tgoop.com/IDS_Math


✉️ https://www.tgoop.com/IDS_Math
✉️ https://www.tgoop.com/IDSchools

✨ نحوه ثبت نام در دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»-دوره مجازی ✨

👈 به اطلاع می‌رساند که ظرفیت این دوره 30 نفر و شهریه برای ثبت نام در این دوره مجازی 500 هزار تومان است. عزیزان می توانند مبلغ فوق الذکر را به کارت بانکی زیر با شماره

6037 9974 5277 4442

به نام مسلم صلحی راد
واریز فرموده و تصویر رسید را همراه با مشخصات خود در گوگل فرم زیر آپلود نمایند.

https://docs.google.com/forms/d/1U8syRwXv8qgeMoMTj8enDjmjgyoUp8Qg2TckUt3yLJQ/edit

‼️ کلیه عزیزانی که در یکی از دوره‌های این مجموعه در سال‌های 1402 و 1403 شرکت داشته‌اند، از 30 هزار تومان تخفیف برخوردار می‌شوند.

🟢 در صورت بروز هرگونه سوال در خصوص ثبت‌نام در این دوره با آی دی زیر در ارتباط باشید:

@InterdisciplinarySchools2


◀️ ارائه های این دوره به صورت مجازی و در روزهای شنبه، ساعت 19 تا 21 و به مدت 12 هفته برگزار می‌شود. بعد از هر ارائه فیلم و کدها تقدیم حضور شرکت کنندگان می‌گردد.

🟡 به شرکت کنندگان در این دوره گواهی حضور به انگلیسی تقدیم می‌شود.


🔹 سرفصل جلسات:

⬅️ هفته اول: مبانی R و نصب برنامه
⬅️هفته دوم: کنترل جریان برنامه، انواع شرط ها، حلقه و توابع
⬅️هفته سوم و چهارم: Basic Data Management
⬅️هفته پنجم و ششم: Basic Graph
⬅️ هفته هفتم و هشتم: Basic Statistics
⬅️هفته نهم و دهم: Regression
⬅️هفته یازدهم و دوازدهم: Basic Network Analysis in R

⏰ ساعت 🔜19 تا 21

🎙 با ارائه
👤دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف


✉️ @NeuroSci_IDSchools
✉️ @IDS_Physics
✉️ @IDS_AI_ML
✉️ @IDSchools
✉️ @IDS_Math
✉️ @IDS_Med
✉️ @IDS_Psy
✉️ @IDS_Bio

💥 دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»-دوره مجازی

⏰ شنبه‌ها، ساعت 19

🔴 شروع دوره از 3 آذر 1403

⬅️با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

✅ تعداد جلسات: 12 جلسه 2 ساعته

🔣 سرفصل جلسات:

✅ هفته اول: مبانی R و نصب برنامه

⬅️ مباحث:
🟡مقدمه
🟡 نصب
🟡 آشنایی با محیط

✅ هفته دوم: کنترل جریان برنامه، انواع شرط ها، حلقه و توابع


✅ هفته سوم و چهارم: Basic Data Management

⬅️مباحث:
🟡دستکاری تاریخ‌ها و مقادیر گمشده
🟡درک تبدیل انواع داده
🟡ایجاد و بازکدگذاری متغیرها
🟡مرتب‌سازی
🟡 ادغام و تقسیم مجموعه‌های داده
🟡انتخاب و حذف متغیرها

✅ هفته پنجم و ششم: Basic Graph

⬅️مباحث:
🟡ایجاد نمودارهای ggplot2

✅ هفته هفتم و هشتم: Basic Statistics

⬅️مباحث:
🟡توابع R برای آمار توصیفی و استنباطی
🟡معیارهای مکان و مقیاس برای متغیرهای کمّی
🟡جداول فراوانی و تقاطعی
🟡بررسی ضرایب همبستگی برای متغیرهای پیوسته و مرتبه ای
🟡بررسی تفاوت ها در آزمون های پارامتری (آزمون T) و غیرپارامتری

✅ هفته نهم و دهم: Regression

⬅️مباحث:
🟡پردازش و تفسیر مدلهای رگرسیون
🟡نحوه انتخاب متغیر
🟡تصمیم گیری برای انتخاب مدل نهایی
🟡تعمیم بخشی به مدلها

✅ هفته یازدهم و دوازدهم: Basic Network Analysis in R

⬅️مباحث:

🟡Simple Visualization
🟡Basic Description
🟡Clustering Coefficient
🟡Network Data Concepts
🟡Network Data Structures
🟡Information Stored in Network Objects
🟡Creating a Network Object in statnet
🟡Managing Node and Tie Attributes
🟡Creating a Network Object in igraph
🟡Importing Network Data
🟡Common Network Data Tasks


👈نحوه ثبت‌نام:

https://www.tgoop.com/IDS_Math/177

✨ همراه با گواهی حضور به انگلیسی

✈️ @IDS_Math
✈️ @IDSchools

🟩معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

1️⃣هفته (جلسه اول) : مبانی R و نصب برنامه


✅ محتوای این جلسه:

در این جلسه ابتدا به معرفی زبان برنامه نویسی R، کاربردها و نقاط قوت و ضعف می‌پردازیم. پس از آن به سراغ نصب موتور R برای برنامه نویسی رفته و با R Studio و امکانات آن آشنا می‌شویم. پس از نصب و آشنایی با محیط مستقیما به سراغ برنامه نویسی در محیط R رفته و با اپراتورهای ریاضیاتی، متغییرها و برخی از انواع داده از جمله بردار و ماتریس آشنا می شویم.


✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

🔣 سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🟩معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

2️⃣هفته (جلسه دوم) : کنترل جریان برنامه، انواع شرط ها، حلقه و توابع


✅ محتوای این جلسه:

در این جلسه ابتدا نحوه به کارگیری اپراتور‌های مقایسه‌ای را مورد بحث قرار می‌دهیم. پس از آن به روش‌های کنترل جریان برنامه در R از جمله حلقه‌ها و توابع می‌پردازیم. نهایتا با پکیج‌ها، محتویات آن‌ها و نحوه فراخوانی آن‌ها آشنا می‌شویم.



✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

🔣 سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🟩 معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣 هفته (جلسه سوم و چهارم) : Basic Data Management


✅ محتوای این جلسه:

داده‌ها هرگز به شکلی که برای انجام تحلیل مؤثر نیاز دارید، در دسترس شما قرار نمی‌گیرند. داده‌ها باید تغییر شکل، بازآرایی و فرمت شوند تا بتوان آن‌ها را به‌صورت مناسب تجسم کرد. این دوره به مسئله مدیریت داده‌ها می‌پردازد تا بتوانید آن‌ها را تحت کنترل درآورده و به‌طور مؤثر تحلیل کنید. هدف اصلی در مدیریت داده، تبدیل داده‌های نامرتب به داده‌های مرتب است.

این بخش به بسیاری از جزئیات مهم درباره کار با داده‌های مرتب و نامرتب در R می‌پردازد، از جمله:

دستکاری تاریخ‌ها و مقادیر گمشده
درک تبدیل انواع داده
ایجاد و بازکدگذاری متغیرها
مرتب‌سازی، ادغام و تقسیم مجموعه‌های داده
انتخاب و حذف متغیرها


✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

⬅️ سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️ @InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🟩 معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣 هفته (جلسه پنجم و ششم) : Basic Graph


✅ محتوای این جلسه:

انسان‌ها به طرز شگفت‌آوری در تشخیص روابط از طریق نمایش‌های بصری مهارت دارند. یک نمودار خوب می‌تواند به شما کمک کند تا مقایسه‌های معناداری بین هزاران قطعه اطلاعات انجام دهید و الگوهایی را استخراج کنید که از طریق سایر روش‌ها به‌راحتی قابل تشخیص نیستند. این یکی از دلایلی است که پیشرفت‌ها در حوزه گرافیک‌های آماری تأثیر عمده‌ای بر تحلیل داده‌ها داشته‌اند. تحلیل‌گران داده باید داده‌های خود را مشاهده کنند، و این حوزه‌ای است که R در آن به‌خوبی درخشان است.

در این بخش، شما را با مفاهیم و توابع اصلی که برای ایجاد نمودارهای ggplot2 استفاده می‌شوند، آشنا خواهیم شد ،هدف بسته ggplot2 ارائه سیستمی جامع و مبتنی بر دستور زبان برای تولید نمودارها به‌صورت یکپارچه و منسجم است که به کاربران امکان ایجاد تجسم‌های داده جدید و نوآورانه را می‌دهد.


✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

⬅️سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🟩 معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣 هفته (جلسه پنجم و ششم) : Basic Graph


✅ محتوای این جلسه:

انسان‌ها به طرز شگفت‌آوری در تشخیص روابط از طریق نمایش‌های بصری مهارت دارند. یک نمودار خوب می‌تواند به شما کمک کند تا مقایسه‌های معناداری بین هزاران قطعه اطلاعات انجام دهید و الگوهایی را استخراج کنید که از طریق سایر روش‌ها به‌راحتی قابل تشخیص نیستند. این یکی از دلایلی است که پیشرفت‌ها در حوزه گرافیک‌های آماری تأثیر عمده‌ای بر تحلیل داده‌ها داشته‌اند. تحلیل‌گران داده باید داده‌های خود را مشاهده کنند، و این حوزه‌ای است که R در آن به‌خوبی درخشان است.

در این بخش، شما را با مفاهیم و توابع اصلی که برای ایجاد نمودارهای ggplot2 استفاده می‌شوند، آشنا خواهیم شد ،هدف بسته ggplot2 ارائه سیستمی جامع و مبتنی بر دستور زبان برای تولید نمودارها به‌صورت یکپارچه و منسجم است که به کاربران امکان ایجاد تجسم‌های داده جدید و نوآورانه را می‌دهد.



✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

⬅️ سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🟩 معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣 هفته (جلسه هفتم و هشتم) : Basic Statistic


✅ محتوای این جلسه:

پس از آنکه داده‌های شما به درستی سازماندهی شد و به‌طور بصری شروع به بررسی آن کردید، مرحله بعدی معمولاً توصیف توزیع هر متغیر به صورت عددی است. سپس به بررسی روابط میان متغیرهای انتخابی به صورت دو به دو می‌پردازید. هدف این است که به سؤالاتی مانند موارد زیر پاسخ دهید:
در حال حاضر خودروها چه نوع مصرف سوختی دارند؟
به طور خاص، توزیع مصرف بنزین به ازای هر گالن (میانگین، انحراف استاندارد، میانه، دامنه و غیره) در یک بررسی از مدل‌های مختلف خودرو چگونه است؟
بعد از یک آزمایش دارویی جدید، نتیجه برای گروه‌های دارو و دارونما چگونه است (بدون بهبودی، کمی بهبودی، بهبودی چشمگیر)؟
آیا جنسیت شرکت‌کنندگان بر نتیجه تأثیری دارد؟
همبستگی بین درآمد و امید به زندگی چقدر است؟ آیا این همبستگی به طور معناداری متفاوت از صفر است؟

در این بخش، به بررسی توابع R برای تولید آماره های توصیفی و استنباطی پایه خواهیم پرداخت. ابتدا به بررسی معیارهای مکان و مقیاس برای متغیرهای کمی می‌پردازیم. سپس یاد می‌گیرید چگونه جداول فراوانی و جداول تقاطعی (و آزمون‌های کای دو مرتبط) را برای متغیرهای دسته‌بندی شده تولید کنیم. در ادامه، انواع مختلف ضرایب همبستگی برای متغیرهای پیوسته و رتبه‌ای را بررسی خواهیم کرد.در نهایت، به مطالعه تفاوت‌های گروهی با استفاده از روش‌های پارامتری( آزمون t )و غیرپارامتری می‌پردازیم.


✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

⬅️ سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🟩 معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣 هفته (جلسه نهم و دهم) : Regression


✅ محتوای این جلسه:

در بسیاری از جهات، تحلیل رگرسیون در قلب آمار قرار دارد. این اصطلاح به مجموعه‌ای از روش‌ها اطلاق می‌شود که برای پیش‌بینی یک متغیر پاسخ (که به آن متغیر وابسته، معیار یا متغیر نتیجه نیز می‌گویند) از یک یا چند متغیر پیش‌بین (که به آن متغیر مستقل) استفاده می‌شود. به طور کلی، تحلیل رگرسیون می‌تواند برای شناسایی متغیرهای پیش‌بین مرتبط با یک متغیر پاسخ، توصیف شکل روابط بین آنها، و ارائه معادله‌ای برای پیش‌بینی متغیر پاسخ از متغیرهای پیش‌بین به کار رود.

برای مثال، یک فیزیولوژیست ورزشی ممکن است از تحلیل رگرسیون برای توسعه یک معادله به منظور پیش‌بینی تعداد کالری‌های سوخته‌شده توسط یک فرد در هنگام ورزش بر روی تردمیل استفاده کند. در این مثال، متغیر پاسخ تعداد کالری‌های سوخته‌شده است (که از میزان اکسیژن مصرفی محاسبه می‌شود) و متغیرهای پیش‌بین می‌توانند شامل مدت زمان ورزش (به دقیقه)، درصد زمانی که فرد در ضربان قلب هدف خود است، سرعت متوسط (مایل در ساعت)، سن (به سال)، جنسیت و شاخص توده بدنی (BMI) باشند.

👈از دیدگاه نظری تحلیل رگرسیون به پرسش‌های زیر پاسخ می‌دهد:

🟣رابطه بین مدت زمان ورزش و کالری‌های سوخته‌شده چیست؟
🟣آیا این رابطه خطی است یا منحنی؟
🟣به عنوان مثال، آیا بعد از یک نقطه خاص، ورزش تأثیر کمتری بر تعداد کالری‌های سوخته‌شده دارد؟
🟣میزان تلاش (درصد زمانی که فرد در ضربان قلب هدف خود است، سرعت متوسط راه‌رفتن) چگونه در این رابطه نقش دارد؟
🟣آیا این روابط برای افراد جوان و مسن، زن و مرد، سنگین‌وزن و سبک‌وزن یکسان است؟

👈از دیدگاه عملی، این تحلیل به پرسش‌های زیر پاسخ می‌دهد:

🟡یک مرد ۳۰ ساله با شاخص توده بدنی ۲۸.۷، اگر ۴۵ دقیقه با سرعت متوسط ۴ مایل در ساعت پیاده‌روی کند و ۸۰٪ از زمان را در ضربان قلب هدف خود بماند، چه تعداد کالری می‌سوزاند؟
حداقل چه تعداد متغیر باید جمع‌آوری شود تا بتوان به‌طور دقیق تعداد کالری‌های سوخته‌شده هنگام پیاده‌روی را پیش‌بینی کرد؟

🟡ما در این بخش ابتدا، نحوه برازش و تفسیر مدل‌های رگرسیون را بررسی می‌کنیم. سپس مجموعه‌ای از تکنیک‌ها برای شناسایی مشکلات احتمالی در این مدل‌ها و چگونگی مقابله با آنها مرور خواهد شد. در مرحله سوم، به مسئله انتخاب متغیر می‌پردازیم. از میان تمامی متغیرهای پیش‌بین موجود، چگونه تصمیم می‌گیرید کدام یک را در مدل نهایی خود قرار دهید؟ چهارم، به سؤال تعمیم‌پذیری پاسخ خواهیم داد. مدل شما چقدر در دنیای واقعی کارایی دارد؟ در نهایت، به اهمیت نسبی متغیرها خواهیم پرداخت. از میان تمام متغیرهای پیش‌بین در مدل شما، کدام یک مهم‌ترین است، کدام دومین اهمیت را دارد و کدام کم‌اهمیت‌ترین است؟


✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

⬅️ سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🟩 معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣 هفته (جلسه یازدهم و دوازدهم) : Basic Network Analysis in R


✅ محتوای این جلسه:

یکی از مزایای بزرگ استفاده از R برای تحلیل شبکه، قدرت و انعطاف‌پذیری ابزارهایی است که برای دسترسی و دستکاری داده‌های واقعی شبکه فراهم می‌کند.

در این بخش، به سه موضوع اصلی می‌پردازیم. ابتدا، ماهیت کلی داده‌های شبکه را بررسی و تعریف می‌کنیم. سپس، یاد می‌گیریم که چگونه می‌توان اشیای داده‌های شبکه را در R ایجاد و مدیریت کرد. در نهایت، مجموعه‌ای از وظایف معمول مدیریت داده‌های شبکه از طریق چند مثال نشان داده خواهد شد.

عناوینی که در این بخش بررسی خواهیم نمود:

🔴Simple Visualization
🔴Basic Description
🔴Clustering Coefficient
🔴Network Data Concepts
🔴Network Data Structures
🔴Information Stored in Network Objects
🔴Creating a Network Object in statnet
🔴Managing Node and Tie Attributes
🔴Creating a Network Object in igraph
🔴Going Back and Forth Between statnet and igraph
🔴Importing Network Data
🔴Common Network Data Tasks
🔴Filtering Networks Based on Vertex or Edge Attribute Values
🔴Transforming a Directed Network to a Non-directed Network


✨با حضور:

👤دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://www.tgoop.com/IDS_Math/177

⬅️ سرفصل های این دوره:

https://www.tgoop.com/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools