آموزش تجزیه و تحلیل اکسل: تجزیه و تحلیل رگرسیون خطی در MS Excel
Excel Analytics: Linear Regression Analysis in MS Excel
شما به دنبال یک دوره کامل رگرسیون خطی هستید که همه چیزهایی را که برای ایجاد یک مدل رگرسیون خطی در اکسل نیاز دارید به شما آموزش دهد، درست است؟
شما دوره مناسب رگرسیون خطی را پیدا کرده اید!
پس از تکمیل این دوره، شما قادر خواهید بود:
· مشکل کسب و کار را که می توان با استفاده از تکنیک رگرسیون خطی یادگیری ماشین حل کرد، شناسایی کنید.
· یک مدل رگرسیون خطی در اکسل ایجاد کنید و نتیجه آن را تجزیه و تحلیل کنید.
· مفاهیم یادگیری ماشین را با اطمینان تمرین، بحث و درک کنید
این دوره چگونه به شما کمک خواهد کرد؟
یک گواهی تکمیل قابل تأیید به همه دانش‌آموزانی که این دوره آموزشی مبانی یادگیری ماشین را می‌گذرانند ارائه می‌شود.
اگر شما یک مدیر کسب و کار یا یک مدیر اجرایی هستید، یا دانشجویی هستید که می خواهید یادگیری ماشین را در مسائل دنیای واقعی کسب و کار بیاموزید و به کار ببرید، این دوره با آموزش محبوب ترین تکنیک ماشین به شما پایه محکمی برای آن می دهد. یادگیری، که رگرسیون خطی
استچرا باید این دوره را انتخاب کنید؟
این دوره تمام مراحلی را که باید در حین حل یک مشکل تجاری از طریق رگرسیون خطی انجام داد را پوشش دهد.
اکثر دوره‌ها فقط بر آموزش نحوه اجرای تجزیه و تحلیل تمرکز می‌کنند، اما ما معتقدیم که آنچه قبل و بعد از اجرای تجزیه و تحلیل اتفاق می‌افتد از اهمیت بیشتری برخوردار است، یعنی قبل از اجرای تجزیه و تحلیل، بسیار مهم است که داده‌های مناسب داشته باشید و مقداری پیش پردازش روی آن انجام دهید. آی تی. و پس از اجرای تجزیه و تحلیل، باید بتوانید قضاوت کنید که مدل خود چقدر خوب است و نتایج را تفسیر کنید تا واقعا بتوانید به کسب و کار خود کمک کنید.
چه چیزی ما را واجد شرایط آموزش به شما می کند؟
این دوره توسط آبیشک و پخراج تدریس می شود. ما به عنوان مدیران در شرکت مشاوره آنالیتیکس جهانی، به کسب‌وکارها کمک کرده‌ایم تا مشکل کسب‌وکار خود را با استفاده از تکنیک‌های یادگیری ماشین حل کنند و از تجربیات خود برای گنجاندن جنبه‌های عملی تجزیه و تحلیل داده‌ها در این دوره استفاده کرده‌ایم
ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 150000 ثبت نام و هزاران بررسی 5 ستاره مانند این:
این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا
با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی ارزش دارد. - دیزی
قول ما
آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مربوط به هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.
فایل‌های تمرین را دانلود کنید، آزمون‌ها را امتحان کنید و تکالیف را تکمیل کنید
با هر سخنرانی، یادداشت‌های کلاسی ضمیمه شده است که می‌توانید آنها را دنبال کنید. همچنین می‌توانید برای بررسی درک خود از مفاهیم، در آزمون‌هایی شرکت کنید. هر بخش شامل یک تکلیف تمرینی است تا بتوانید یادگیری خود را عملی کنید.
چه مواردی در این دوره پوشش داده می شود؟
این دوره تمام مراحل ایجاد یک مدل رگرسیون خطی را که محبوب‌ترین مدل یادگیری ماشینی است، برای حل مشکلات تجاری به شما می‌آموزد.
در زیر محتوای دوره این دوره در زمینه رگرسیون خطی آمده است:
· بخش 1 - مبانی آمار
این بخش به پنج سخنرانی مختلف تقسیم می شود که از انواع داده ها و سپس انواع آمار شروع می شود
سپس نمایش‌های گرافیکی برای توصیف داده‌ها و سپس سخنرانی در مورد معیارهای مرکز مانند میانگین
میانگین و حالت و در نهایت معیارهای پراکندگی مانند محدوده و انحراف استاندارد
· بخش 2 - پیش پردازش داده
در این بخش خواهید آموخت که چه اقداماتی را باید گام به گام انجام دهید تا داده ها را دریافت کنید و سپس
آن را برای تجزیه و تحلیل آماده کنید که این مراحل بسیار مهم هستند.
ما با درک اهمیت دانش کسب و کار شروع می کنیم، سپس خواهیم دید که چگونه کاوش داده ها را انجام دهیم. ما یاد می گیریم که چگونه تجزیه و تحلیل تک متغیره و تجزیه و تحلیل دو متغیره را انجام دهیم، سپس موضوعاتی مانند درمان پرت، انتساب مقدار گمشده، تبدیل متغیر و همبستگی را پوشش می دهیم.
· بخش 3 - مدل رگرسیون
این بخش با رگرسیون خطی ساده شروع می شود و سپس رگرسیون خطی چندگانه را پوشش می دهد.
ما تئوری اصلی هر مفهوم را بدون اینکه بیش از حد ریاضی در مورد آن انجام دهیم پوشش داده ایم تا شما
درک کنید که این مفهوم از کجا می آید و چگونه مهم است. اما حتی اگر نفهمید
تا زمانی که یاد بگیرید چگونه اجرا کنید و نتیجه را همانطور که در سخنرانی های عملی آموزش داده شده است تفسیر کنید، مشکلی ندارد.
ما همچنین به نحوه کمی کردن دقت مدل‌ها نگاه می‌کنیم، معنی آماره F چیست، چگونه متغیرهای طبقه‌بندی در مجموعه داده‌های متغیر مستقل در نتایج تفسیر می‌شوند، چه تغییرات دیگری در روش حداقل مربعات معمولی وجود دارد و در نهایت چگونه می‌توانیم نتیجه را تفسیر کنید تا پاسخ یک مشکل تجاری را بیابید.
در پایان این دوره، اعتماد شما به ایجاد یک مدل رگرسیون در R افزایش می یابد. شما درک کاملی از نحوه استفاده از مدل‌سازی رگرسیون برای ایجاد مدل‌های پیش‌بینی و حل مشکلات تجاری خواهید داشت.
ادامه دهید و روی دکمه ثبت نام کلیک کنید، و من شما را در درس 1 می بینم!
به سلامتی
Start-Tech Academy
------------
در زیر فهرستی از پرسش‌های متداول رایج دانش‌آموزانی که می‌خواهند سفر یادگیری ماشینی خود را شروع کنند، آمده است-
یادگیری ماشینی چیست؟
Machine Learning رشته‌ای از علوم کامپیوتر است که به کامپیوتر توانایی یادگیری بدون برنامه‌ریزی صریح را می‌دهد. این شاخه ای از هوش مصنوعی است که مبتنی بر این ایده است که سیستم ها می توانند از داده ها یاد بگیرند، الگوها را شناسایی کنند و با کمترین دخالت انسان تصمیم بگیرند.
تکنیک رگرسیون خطی یادگیری ماشین چیست؟
رگرسیون خطی یک مدل یادگیری ماشینی ساده برای مشکلات رگرسیون است، یعنی زمانی که متغیر هدف یک مقدار واقعی است.
رگرسیون خطی یک مدل خطی است، به عنوان مثال. مدلی که یک رابطه خطی بین متغیرهای ورودی (x) و متغیر خروجی واحد (y) را فرض می کند. به طور خاص، y را می توان از ترکیب خطی متغیرهای ورودی (x) محاسبه کرد.
وقتی یک متغیر ورودی منفرد (x) وجود دارد، روش به عنوان رگرسیون خطی ساده نامیده می‌شود.
وقتی متغیرهای ورودی متعددی وجود دارد، این روش به عنوان رگرسیون خطی چندگانه شناخته می‌شود.
چرا تکنیک رگرسیون خطی یادگیری ماشین را یاد بگیریم؟
چهار دلیل برای یادگیری تکنیک رگرسیون خطی یادگیری ماشین وجود دارد:
1. رگرسیون خطی محبوب ترین تکنیک یادگیری ماشین است
2. رگرسیون خطی دقت پیش‌بینی نسبتاً خوبی دارد
3. پیاده سازی رگرسیون خطی ساده و تفسیر آن آسان است
4. این به شما پایه ای محکم برای شروع یادگیری سایر تکنیک های پیشرفته یادگیری ماشینی
می دهدیادگیری تکنیک رگرسیون خطی یادگیری ماشین چقدر زمان می برد؟
رگرسیون خطی آسان است اما هیچ کس نمی تواند زمان یادگیری را تعیین کند. این کاملا به شما بستگی دارد. روشی که ما برای کمک به یادگیری رگرسیون خطی اتخاذ کردیم، از اصول اولیه شروع می شود و شما را در عرض چند ساعت به سطح پیشرفته می برد. شما می توانید همان را دنبال کنید، اما به یاد داشته باشید که بدون تمرین چیزی نمی توانید یاد بگیرید. تمرین تنها راه برای به خاطر سپردن مطالبی است که آموخته اید. بنابراین، مجموعه داده دیگری را نیز در اختیار شما قرار داده ایم تا به عنوان پروژه جداگانه رگرسیون خطی روی آن کار کنید.
مراحلی را که باید دنبال کنم تا بتوانم یک مدل یادگیری ماشینی بسازم چیست؟
می توانید فرآیند یادگیری خود را به 4 قسمت تقسیم کنید:
آمار و احتمال - پیاده‌سازی تکنیک‌های یادگیری ماشینی به دانش اولیه آمار و مفاهیم احتمال نیاز دارد. بخش دوم دوره این بخش را پوشش می دهد.
درک یادگیری ماشین - بخش چهارم به شما کمک می کند تا اصطلاحات و مفاهیم مرتبط با یادگیری ماشین را درک کنید و مراحلی را که باید برای ساختن یک مدل یادگیری ماشین دنبال کنید ارائه می دهد
تجربه برنامه نویسی - بخش مهمی از یادگیری ماشین برنامه نویسی است. پایتون و R به وضوح در روزهای اخیر پیشتاز هستند. بخش سوم به شما کمک می کند محیط R را تنظیم کنید و برخی از عملیات های اساسی را به شما آموزش می دهد. در بخش‌های بعدی ویدیویی در مورد نحوه پیاده‌سازی هر مفهومی که در سخنرانی تئوری در R
تدریس می‌شود، وجود داردآشنایی با مدل‌سازی رگرسیون خطی - داشتن دانش خوب از رگرسیون خطی به شما درک کاملی از نحوه عملکرد یادگیری ماشین می‌دهد. اگرچه رگرسیون خطی ساده‌ترین تکنیک یادگیری ماشینی است، اما همچنان محبوب‌ترین روش با توانایی پیش‌بینی نسبتاً خوب است. بخش پنجم و ششم مبحث رگرسیون خطی را سرتاسر پوشش می دهد و با هر سخنرانی تئوری یک سخنرانی عملی مربوطه در R ارائه می شود که در آن ما در واقع هر پرس و جو را با شما اجرا می کنیم.
مقدمه Introduction
-
مقدمه Introduction
آماده سازی داده ها برای مدل رگرسیونی Getting Data Ready for Regression Model
-
جمع آوری دانش کسب و کار Gathering Business Knowledge
-
کاوش داده ها Data Exploration
-
منابع دوره Course Resources
-
این یک نقطه عطف است! This is a milestone!
-
داده ها و دیکشنری داده ها The Data and the Data Dictionary
-
تجزیه و تحلیل تک متغیره و EDD Univariate analysis and EDD
-
تجزیه و تحلیل داده های توصیفی در اکسل Discriptive Data Analytics in Excel
-
درمان پرت Outlier Treatment
-
شناسایی و درمان نقاط پرت در اکسل Identifying and Treating Outliers in Excel
-
مقدار گمشده Missing Value Imputation
-
شناسایی و درمان مقادیر از دست رفته در اکسل Identifying and Treating missing values in Excel
-
تبدیل متغیر در اکسل Variable Transformation in Excel
-
ایجاد متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data
-
ایجاد متغیر ساختگی در اکسل Dummy Variable Creation in Excel
-
تجزیه و تحلیل همبستگی Correlation Analysis
-
ایجاد ماتریس همبستگی در اکسل Creating Correlation Matrix in Excel
-
امتحان Quiz
ایجاد مدل رگرسیون Creating Regression Model
-
بیانیه مشکل The Problem Statement
-
روش معادلات پایه و حداقل مربعات معمولی (OLS). Basic Equations and Ordinary Least Squares (OLS) method
-
ارزیابی دقت ضرایب پیش بینی شده Assessing accuracy of predicted coefficients
-
ارزیابی دقت مدل: RSE و R مجذور Assessing Model Accuracy: RSE and R squared
-
ایجاد مدل رگرسیون خطی ساده Creating Simple Linear Regression model
-
رگرسیون خطی چندگانه Multiple Linear Regression
-
F - آمار The F - statistic
-
تفسیر نتایج متغیرهای طبقه بندی Interpreting results of Categorical variables
-
ایجاد مدل رگرسیون خطی چندگانه Creating Multiple Linear Regression model
-
امتحان Quiz
-
Excel: اجرای رگرسیون خطی با استفاده از حل کننده Excel: Running Linear Regression using Solver
-
امتحان Quiz
-
امتحان Quiz
بهینه سازی مدل های کسب و کار - مطالعات موردی Optimizing business models - Case Studies
-
مقدمه Introduction
-
مدیریت هدف و سناریو در اکسل Goal-seek and Scenario Manager in Excel
-
حل کننده در اکسل Solver in Excel
-
روش های مختلف حل حل کننده اکسل Different Solving methods of Excel Solver
-
حل مشکل حمل و نقل Solving a Transportation problem
-
کاهش قیمت Price Skimming
-
اکسل - مدل اسکیمینگ قیمت Excel - Price Skimming model
-
مفهوم ارزش طول عمر مشتری Concept of Customer lifetime Value
-
Excel - محاسبه ارزش طول عمر مشتری Excel - Calculating customer lifetime value
بخش پاداش Bonus Section
-
نمودارهای محبوب اکسل Popular Excel charts
-
نقطه عطف نهایی! The final milestone!
-
سخنرانی پاداش Bonus Lecture
https://donyad.com/d/083c
Start-Tech Academy
بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.
نمایش نظرات