آموزش مصور سازی اطلاعات و Data Visualization با ggplot2 و زبان برنامه نویسی R

 

 

آموزش فارسی مصورسازی اطلاعات با استفاده از دستور زبان گرافیکی Data Visualization with Grammar of Graphics for Data Science


معرفی و آموزش دستور زبان گرامر گرافیکی با استفاده از ggplot با استفاده از لایه های geometry

مزیت ها:
 برنامه نویسی آسان
 قابلیت سوار کردن انواع پلات های روی لایه ثابت
  تلفیق آسان انواع پلات ها
  تنوع بالای پلات ها و توابع geom

:مدرس: خاندانی

 

 

 

دانلود آموزش ویدیویی مصورسازی اطلاعات با GGplot در R
عنوان: آموزش ویدیویی مصورسازی اطلاعات با ggplot در R
توضیحات: آموزش تکنولوژی دستور زبان گرافیکی Grammar of Graphic در R

حجم: 43.1 مگابایت

مدرس: حسین خاندانی

 

 

پارت (2): ویدیو فارسی آموزش تکمیلی مصورسازی حرفه ای اطلاعات در R با ggplot2

توضیحات: آموزش تکنولوژی دستور زبان گرافیکی Grammar of Graphic در R

مدرس: حسین خاندانی

 

پارت (3): ویدیو فارسی آموزش 3 بعدی اطلاعات آماری و جغرافیایی در زبان R

 

توضیحات: آموزش تکنولوژی دستور زبان گرافیکی Grammar of Graphic در R

مدرس: حسین خاندانی

 

 

 

آموزش تخمین مدل SVAR structural vector autoregression و بیزین BVAR در ایویوز

 

 

 

مدل­های معادلات همزمان مبتنی بر رویکردی است که طبق آن، برخی متغیرها را درون­زا و برخی را برون­زا فرض می­کند. تعیین متغیرها به دو دسته درون­زا و برون­زا ممکن است پشتوانه نظری داشته باشد یا ممکن است سلیقه­ای باشد. حتی زمانی که پشتوانه نظری دارد، در خصوص آن تردیدهایی مطرح می­شود و ممکن است نتایج تجربی با مبانی نظری در تناقض باشد. به هر حال در شرایطی که مطمئن نیستیم چه متغیرهایی درون­زا و چه متغیرهایی برون­زا هستند، از رویکرد دیگری در مدل­سازی معادلات همزمان استفاده می­شود که معروف به مدل­های خودر گرسیون برداری (VAR) هستند. این رویکرد بر این نکته تأکید دارد که بایستی در مدل­سازی و به­ویژه در تعیین متغیرهای درون زا و برون زا، از اعمال سلیقه های فردی پرهیز شود و لذا همه متغیرها را درون زا در نظر می گیرد. مشابه معادلات همزمان، در روش خودرگریسون برداری، ابتدا یک مدل معادلات همزمان طراحی می شود که در آن همه متغیرها تابعی از مقادیر جاری و گذشته یکدیگر می باشند.

این مدل، معروف به مدل VAR ساختاری (SVAR) می باشد. از طرف دیگر، با حل مدل SVAR برای متغیرهای مورد نظر، فرم حل شده VAR به دست می­آید که معروف به VAR استاندارد است. در این مدل، هر یک از متغیرها تابعی از مقادیر گذشته همه متغیرهای موجود در مدل هستند. از آنجا که VAR استاندارد تابعی از مقادیر گذشته متغیرها است، با روش OLS قابل تخمین است، اما برای مدل SVAR چنین شرایطی برقرار نیست. یکی از موضوعات اصلی در این مدل­ها، قابلیت شناسایی مدل SVAR است. بدین معنی که با تخمین مدل VAR استاندارد بایستی بتوانیم به ضرایب مدل SVAR برسیم.

 

در این پست فیلم های آموزشی دوست عزیر و گرامی بند آقای دکتر ساسان قاراخانی به بصورت رایگان در اختیار پژوهشگران و متخصصین علم آمار، اقتصادسنجی و علوم داده Data Science قرار گرفته است. همچنین دوستان میتوانند بصورت آنلاین این ویدیو های آموزشی را در سایت آپارات مشاهده نمایند و از سایر ویدیوهای آموزشی نیز استفاده کنند. لینک های مشاهده آنلاین آموزش ها | لینک 1 مجموعه ویدیوها . همچنین دوستان میتوانند با عضویت در کانال اقتصادسنجی نوین به آدرس eghtesadsanjinovin@ نیز از این آموزش های بهره مند شوند.

با تشکر از کانل اقتصادسنجی نوین و دکتر قاراخانی

 

 

 

 

 

 

دانلود آموزش جامع ویدیویی مبانی نظری و تخمین BVAR
عنوان: آموزش جامع تخمین Bayesian Var در ایویوز
حجم: 106 مگابایت
مدرس: ساسان قاراخانی

 

دانلود آموزش ویدیویی تخمین مدل SVAR in Eviews
عنوان: آموزش تخمین SVAR در EViews
حجم: 22.5 مگابایت

مدرس: ساسان قاراخانی

 

آموزش برنامه نویسی R و R Studio | آموزش پیش پردازش داده ها و Data Cleaning با رویکرد Tidyverse در R

 

 

رویکردی نوین در برنامه نویسی
زبان برنامه نویسی دومین زبان برتر در زمینه Data Science  و حوزه یادگیری ماشین و داده کاوی محسوب می گردد. یکی از مزیت های این زبان که آن را در حوزه Data Science  بسیار محبوب نموده است منظومه تکنولوژی تایدی کردن اطلاعات با استفاده از رویکرد جدید برنامه نویسی Tidyvese است.

مزیت های این رویکرد و تکنولوژی برنامه نویسی بمنظور پیش پردازش داده ها:

 برنامه نویسی ساده و روان
 فرآیند ساده debugging
 مدیریت بهینه object
 مدیریت فضای Ram
 سرعت برنامه نویسی و پردازش سریع تر

 

 

 

 

 

آموزش داده کاوی و علوم داده با رویکرد برنامه نویسی Tidyverse in R
عنوان: آموزش داده کاوی و تمیزسازی داده با Tidyverse in R

آموزش تکنولوژی و پکیج Tidyverse در زبان برنامه تویسی R
حجم: 37 مگابایت

 

پارت اول (1):آموزش داده کاوی و علوم داده (Data Manipulation with R)
عنوان: آموزش داده کاوی و تمیزسازی داده با Tidyverse in R

آموزش تکنولوژی و پکیج Tidyverse در زبان برنامه تویسی R

 

 

پارت دوم (2):آموزش داده کاوی و علوم داده (Data Manipulation with R)
عنوان: آموزش داده کاوی و تمیزسازی داده با Tidyverse in R

آموزش تکنولوژی و پکیج Tidyverse در زبان برنامه تویسی R

مدرس: حسین خاندانی
 

ویدیو فارسی آموزش رگرسیون های فضای در استاتا و متلب-پانل فضایی Spatial Panel Regression

 

 

رگرسیون یا اقتصاد‌سنجی فضایی شاخه‌ای از اقتصادسنجی است که توسط پروفسور انسلین در سال 1988 به دنیای علم اقتصاد معرفی شد. وی در کتاب خود به نام "اقتصادسنجی فضایی، روش‌ها و مدل‌ها" به تشریح این روش اقتصادسنجی پرداخته است. تکنیک معرفی شده توسط وی دارای قابلیت‌های بهتری نسبت به اقتصادسنجی مرسوم مقطعی و سری‌زمانی است. تفاوت اساسی این شیوه از تجزیه و تحلیل بکارگیری اطلاعات و داده‌های طول و عرض جغرافیایی در محاسبات است. منظور از اثرات فضایی در محاسبات عواملی هستند که به مکان استقرار متغیرها مربوط می‌شوند. عامل اول مبحث وابستگی یا خودهمبستگی فضایی بین مشاهدات داده‌ای نمونه در نقاط مختلف است و عامل دوم ساختار یا ناهمسانی فضایی که ناشی از روابط مدل است که با حرکت بر روی صفحه مختصات همراه با داده نمونه‌ای تغییر می‌کند.

در این پست فیلم های آموزشی دوست عزیر و گرامی بند آقای دکتر ساسان قاراخانی به بصورت رایگان در اختیار پژوهشگران و متخصصین علم آمار، اقتصادسنجی و علوم داده Data Science قرار گرفته است. همچنین دوستان میتوانند بصورت آنلاین این ویدیو های آموزشی را در سایت آپارات مشاهده نمایند و از سایر ویدیوهای آموزشی نیز استفاده کنند. لینک های مشاهده آنلاین آموزش ها | لینک 1 | لینک 2 | لینک 3  . همچنین دوستان میتوانند با عضویت در کانال اقتصادسنجی نوین به آدرس eghtesadsanjinovin@ نیز از این آموزش های بهره مند شوند.

با تشکر از کانل اقتصادسنجی نوین و دکتر قاراخانی

 

 

 

 

مجموعه جامع ویدیویی آموزش رگرسیون های پانل فضایی
عنوان: آموزش تحلیل و رگرسیون های فضایی Spatial Regression
حجم: 395 مگابایت

مدرس: ساسان قاراخانی