نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره آموزشی جامع و مناسب برای مبتدیان، مقدمهای کامل بر رگرسیون لجستیک، یکی از پرکاربردترین تکنیکها در علم داده و تحلیل دادهها را ارائه میدهد. فراگیران در این دوره مبانی رگرسیون را شرح داده، روشهای پیشبینی احتمالات را متمایز کرده و مفاهیم کلیدی رگرسیون لجستیک از جمله تبدیل لوجیت (Logit Transformation)، تفسیر شانس (Odds Interpretation) و تخمین بیشینه احتمال (MLE) را تحلیل خواهند کرد.
سرفصلهای این دوره از اصول بنیادی رگرسیون آغاز شده و به کاربردهای عملی رگرسیون لجستیک میرسد و رویکردهایی مانند دستهبندی (Binning)، متغیرهای پیوسته و تبدیل متغیرهای Dummy را پوشش میدهد. همچنین کاربران متدولوژیهای SAS را برای انتخاب متغیر به کار میگیرند، از PROC LOGISTIC استفاده کرده و عملکرد مدل را با جفتهای سازگار/ناسازگار، آزمونهای کای-اسکوئر (Chi-square) و معیارهای نیکویی برازش کلی در مقابل محلی ارزیابی میکنند.
در پایان این دوره، شرکتکنندگان قادر خواهند بود مدلهای پیشبینی پایدار طراحی کنند، نتایج را با اطمینان تفسیر نمایند و مدلهای رگرسیون لجستیک را برای تصمیمگیریهای واقعی در حوزه تحلیل دادهها و هوش تجاری ارزیابی کنند.
سرفصل ها و درس ها
مبانی تحلیل رگرسیون
Foundations of Regression Analysis
مقدمه
Introduction
رگرسیون چیست؟ بخش اول
What is Regression Part 1
رگرسیون چیست؟ بخش دوم
What is Regression Part 2
رگرسیون چیست؟ بخش سوم
What is Regression Part 3
روشهای مختلف پیشبینی احتمالات بخش اول
Different Methods of Predicting Probabilities Part 1
روشهای مختلف پیشبینی احتمالات بخش دوم
Different Methods of Predicting Probabilities Part 2
رگرسیون لجستیک چیست
What is Logistic Regression
چرا رگرسیون لجستیک و نه OLS
Why Logistic Regression and Not OLS
رگرسیون لجستیک در عمل
Logistic Regression in Practice
مفاهیم کلیدی مدلسازی
Modeling Key Concepts
مفاهیم کلیدی رگرسیون لجستیک بخش اول
Logistic Regression Key Concepts Part 1
مفاهیم کلیدی رگرسیون لجستیک بخش دوم
Logistic Regression Key Concepts Part 2
رویکرد دستهبندی و سایر روشها
Binning Approach and Other Approaches
نمایش نظرات