🌐 #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://t.iss.one/IDS_Math


✉️ https://t.iss.one/IDS_Math
✉️ https://t.iss.one/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://t.iss.one/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://t.iss.one/IDS_Math/177

🔣 سرفصل های این دوره:

https://t.iss.one/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://t.iss.one/IDS_Math/177

🔣 سرفصل های این دوره:

https://t.iss.one/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://t.iss.one/IDS_Math/177

⬅️ سرفصل های این دوره:

https://t.iss.one/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://t.iss.one/IDS_Math/177

⬅️سرفصل های این دوره:

https://t.iss.one/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://t.iss.one/IDS_Math/177

⬅️ سرفصل های این دوره:

https://t.iss.one/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://t.iss.one/IDS_Math/177

⬅️ سرفصل های این دوره:

https://t.iss.one/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://t.iss.one/IDS_Math/177

⬅️ سرفصل های این دوره:

https://t.iss.one/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://t.iss.one/IDS_Math/177

⬅️ سرفصل های این دوره:

https://t.iss.one/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools

🔹 شرحی مختصر پیرامون مخاطبان و محتوای دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

❓ این دوره به چه دردی می خورد؟

این دوره برای تحلیل داده طراحی شده که برای کسانی مناسب است که می‌خواهند با ابزارهای مدرن و کارآمد در دنیای تحلیل داده آشنا شوند. این دوره شما را با مجموعه بسته‌های Tidyverse که شامل dplyr، tidyr، ggplot2 و سایر ابزارهای کلیدی است، آشنا می‌کند. هدف این دوره، توانمندسازی شما در پاک‌سازی، مدیریت، تحلیل و تجسم داده‌ها به صورت کاملاً عملی و کاربردی است. با استفاده از R شما قادر خواهید بود داده‌های پیچیده را به صورت مؤثر تغییر شکل داده و از آن‌ها بینش‌های ارزشمند استخراج کنید. علاوه بر یادگیری مفاهیم تئوری، تمرینات عملی به شما کمک می‌کنند تا مهارت‌های خود را به سطحی حرفه‌ای برسانید و آماده تحلیل داده‌های واقعی شوید.


❓ چرا باید در این دوره شرکت کنیم؟

در دنیای امروز، داده‌ها به عنوان یکی از مهم‌ترین دارایی‌های سازمان‌ها و کسب‌وکارها شناخته می‌شوند. با رشد روزافزون حجم و پیچیدگی داده‌ها، نیاز به ابزارها و مهارت‌های مناسب برای تحلیل سریع و دقیق آن‌ها بسیار ضروری 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 " تحلیل داده حرفه‌ای 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 چه کسانی هستند؟

✅ دانشجویان و فارغ‌التحصیلان همه رشته های نیازمند به تحلیل های آماری: کسانی که در رشته‌های مختلف تحصیل می کنند و با داده‌کاوی، تحلیل آماری و علوم داده سر و کار دارند و قصد دارند با ابزارهای حرفه‌ای مانند Tidyverse تسلط پیدا کنند.

✅ تحلیلگران داده: افرادی که به دنبال بهبود و ارتقاء مهارت‌های خود در زمینه تحلیل داده‌ها و تجسم آن‌ها با استفاده از R و Tidyverse هستند.

✅ متخصصان فناوری اطلاعات و کسب‌وکار: افرادی که در حوزه فناوری اطلاعات، بازاریابی یا مدیریت داده‌ها مشغول به کار هستند و می‌خواهند توانایی تحلیل داده‌های حجیم و پیچیده را بهبود دهند.

✅ محققان و دانشمندان داده: کسانی که به دنبال استخراج بینش‌های عمیق‌تر از داده‌های تحقیقاتی و علمی خود هستند و می‌خواهند از رویکردهای مدرن و کارآمد بهره‌مند شوند.

❓ مدت زمان این دوره چقدر است؟

🟢 این دوره در دوازده هفته برگزار می شود. هر جلسه به مدت 2 ساعت است و در روزهای شنبه از ساعت 19 تا 21 برگزار می شود. طول دوره 24 ساعت است و از 3 آذر شروع می شود.

❓ نحوه ثبت نام به چه صورت است؟

👈 شما با جوین شدن به کانال دپارتمان ریاضی، آمار و علوم کامپیوتر می توانید با توضیحات موجود در لینک زیر از نحوه ثبت نام جویا شوید:

https://t.iss.one/IDS_Math/177

✉️ @IDS_Math
✉️ @IDSchools

🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕🆕

🔔دپارتمان پزشکی مجموعه علمی و پژوهشی مدارس میان رشته ای برگزار میکند:

⭐️سری وبینارهای رایگان «همگام با پیشتازان»⭐️

1️⃣2️⃣قسمت دوازدهم:A network of place patches in prefrontal cortex

🎙با حضور: دکتر رضا راجی مهر
🟡پزشک و پژوهشگر موسسه تحقیقات مغز McGovern و موسسه فناوری ماساچوست( MIT )

🔜سه شنبه ۲۴ مهرماه ۱۴۰۳، ساعت ۱۸ به وقت ایران

🔖در این سری وبینارهای رایگان که به همت مدارس میان‌رشته‌ای برگزار می‌شود، میزبان اساتید، پژوهشگران و دانشجویان برگزیده و نخبه در داخل و خارج کشور خواهیم بود و با مسیر موفقیت آکادمیک ایشان و نیز پژوهش‌های میان‌رشته‌ای آشنا خواهیم شد.

📌مدارس میان رشته‌ای در نظر دارد در تمامی کانال‌های علمی خود شامل: هوش مصنوعی، نوروساینس، روانشناسی،  علوم زیستی، پزشکی، فیزیک، ریاضیات و... این سری وبینارهای ارزشمند را به صورت ماهانه برگزار نماید.

👈 برای ثبت نام در این وبینار به کانال پزشکی و جهت کسب اطلاعات بیشتر به گروه تعاملی ما بپیوندید.


✈️| @IDS_Med||کانال پزشکی|
✈️| @IDSchools||کانال اصلی|
✈️| @Med_IDSchools||گروه تعاملی پزشکی|