آموزش انجام تحلیل ابعاد با R

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

درک اهمیت کاهش پیچیدگی در داده ها Understanding the Importance of Reducing Complexity in Data

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• نفرین بعد The Curse of Dimensionality

• اشکال در کاهش ابعاد Drawbacks of Dimensionality Reduction

• نصب بیش از حد و واریانس تعصب Overfitting and the Bias-variance Trade-off

• تکنیک هایی برای کاهش پیچیدگی Techniques to Reduce Complexity

• انتخاب تکنیک مناسب Choosing the Right Technique

• نسخه ی نمایشی: بررسی مجموعه داده های مسکن بوستون Demo: Exploring the Boston Housing Dataset

• نسخه ی نمایشی: انتخاب پیش بینی برای ساخت مدل های رگرسیون Demo: Selecting Predictors to Build Regression Models

• نسخه ی نمایشی: انجام رگرسیون سینک ظرفشویی مرحله ای و آشپزخانه Demo: Performing Stepwise and Kitchen Sink Regression

انجام تجزیه و تحلیل بعدی برای داده های مداوم Performing Dimensional Analysis for Continuous Data

• تجزیه و تحلیل اجزای اصلی Principal Components Analysis

• رگرسیون حداقل مربعات جزئی Partial Least Squares Regression

• نسخه ی نمایشی: انجام تحلیل م Compلفه های اصلی Demo: Performing Principal Component Analysis

• نسخه ی نمایشی: رگرسیون با استفاده از مonلفه های اصلی Demo: Regression Using Principal Components

• نسخه ی نمایشی: رگرسیون اجزای اصلی Demo: Principal Components Regression

• نسخه ی نمایشی: رگرسیون حداقل مربعات جزئی Demo: Partial Least Squares Regression

انجام تجزیه و تحلیل بعدی برای داده های دسته ای Performing Dimensional Analysis for Categorical Data

• تجزیه و تحلیل خطی و تبعیض آمیز درجه دوم Linear Discriminant Analysis and Quadratic Discriminant Analysis

• نسخه ی نمایشی: کاوش و آماده سازی داده ها برای تجزیه و تحلیل خطی تبعیض آمیز Demo: Exploring and Preparing Data for Linear Discriminant Analysis

• نسخه ی نمایشی: انجام تجزیه و تحلیل خطی تبعیض آمیز بر روی داده های شیشه Demo: Performing Linear Discriminant Analysis on Glass Data

• نسخه ی نمایشی: انجام تجزیه و تحلیل تفکیک درجه دو بر روی داده های شیشه Demo: Performing Quadratic Discriminant Analysis on Glass Data

انجام تجزیه و تحلیل بعدی برای داده های غیر خطی Performing Dimensional Analysis for Non-linear Data

• یادگیری چند برابر Manifold Learning

• نسخه ی نمایشی: یادگیری چندگانه با استفاده از MDS متریک و غیر متریک Demo: Manifold Learning Using Metric and Non-metric MDS

• نسخه ی نمایشی: یادگیری منیفولد با استفاده از t-SNE ، Isomap و LLE Demo: Manifold Learning Using t-SNE, Isomap, and LLE

• نسخه ی نمایشی: هسته PCA برای داده های غیر خطی قابل تفکیک Demo: Kernel PCA for Non-linearly Separable Data

• خلاصه ماژول Module Summary