نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
تجزیه و تحلیل فاکتورها و PCA ابزار قدرتمندی هستند که در بسیاری از شرایط معمول در تجزیه و تحلیل داده ها و تجارت قابل استفاده هستند. این دوره نظریه و پیاده سازی تجزیه و تحلیل عامل و PCA را شامل می شود ، در Excel (با استفاده از VBA) ، Python و R.Factor Analysis و PCA تکنیک های اصلی برای کاهش ابعاد و شناسایی عامل پنهان هستند. در این دوره ، درک و بکارگیری تجزیه و تحلیل فاکتورها و PCA ، شما خواهید فهمید که چگونه می توانید تحلیل عاملی و PCA را بفهمید و به کار بگیرید. در ابتدا ، شما چگونگی برهم ریختگی را با تجزیه و تحلیل عامل بررسی خواهید کرد. در مرحله بعدی ، خواهید فهمید که چگونه می توانید با استفاده از PCA ، یک رویکرد مبتنی بر ML ، تحلیل عاملی را انجام دهید. سپس ، نحوه انجام تجزیه مقادیر ویژه را یاد خواهید گرفت ، یک روش جبری خطی برش کوکی. سرانجام ، شما نحوه پیاده سازی PCA را برای توضیح بازده سهام Google در Excel و VBA ، R و Python یاد خواهید گرفت. با پایان این دوره ، شما دانش کافی کاربردی در مورد تجزیه و تحلیل عامل و PCA خواهید داشت که به شما در حل مشکلات پیچیده تجارت کمک می کند.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
معرفی تحلیل فاکتور و PCA
Introducing Factor Analysis and PCA
-
برش درهم و برهمی با تجزیه و تحلیل عامل
Cutting Through Clutter with Factor Analysis
-
رگرسیون خطی و تحلیل عاملی
Linear Regression and Factor Analysis
-
چه و چگونه: تجزیه و تحلیل عوامل و PCA
What and How: Factor Analysis and PCA
-
دو رویکرد برای استخراج عامل
Two Approaches to Factor Extraction
-
میانگین و واریانس
Mean and Variance
-
کوواریانس و همبستگی
Covariance and Correlation
-
متغیرهای تصادفی و عملیات ماتریس
Random Variables and Matrix Operations
-
شهود پشت PCA
The Intuition Behind PCA
درک تحلیل عوامل و PCA
Understanding Factor Analysis and PCA
-
شهود پشت مonلفه های اصلی
The Intuition Behind Principal Components
-
چگونه اجزای اصلی یافت می شوند
How Principal Components Are Found
-
درک مقادیر ویژه و نمودارهای Scree
Understanding Eigenvalues and Scree Plots
-
یافتن ملفه های اصلی
Finding Principal Components
-
چرا اجزای اصلی مفید هستند
Why Principal Components Are Useful
-
PCA برای شناسایی عامل نهفته
PCA for Latent Factor Identification
-
چه زمانی از PCA استفاده نکنید
When Not to Use PCA
پیاده سازی تحلیل عاملی و PCA در Excel و VBA
Implementing Factor Analysis and PCA in Excel and VBA
-
PCA در اکسل و VBA
PCA in Excel and VBA
-
محاسبه بازده سهام
Calculating Stock Returns
-
محاسبه همبستگی ها
Calculating Correlations
-
محاسبه کوواریانس ها
Calculating Covariances
-
محاسبه مقادیر ویژه و بردارهای ویژه با استفاده از VBA
Calculating Eigenvalues and Eigenvectors Using VBA
-
محاسبه مincipلفه های اصلی از بردارهای ویژه
Calculating Principal Components from Eigenvectors
-
استاندارد کردن بردارها
Standardizing Vectors
-
تفسیر نتایج PCA
Interpreting PCA Results
پیاده سازی تحلیل عاملی و PCA در R
Implementing Factor Analysis and PCA in R
-
R و Set Data را بارگیری کنید
Download R and Set Data
-
محاسبه بازده
Calculating Returns
-
محاسبه مقادیر ویژه ، وکتورهای ویژه و م Compلفه های اصلی
Calculating Eigenvalues, Eigenvecors, and Principal Components
-
رگرسیون و تفسیر
Regression and Interpretation
پیاده سازی تحلیل عاملی و PCA در پایتون
Implementing Factor Analysis and PCA in Python
-
استفاده از پانداها در پایتون
Using Pandas in Python
-
محاسبه بردارهای استاندارد شده
Calculating Standardized Vectors
-
محاسبه اجزای اصلی
Calculating Principal Components
-
تفسیر نتایج PCA
Interpreting PCA Results
نمایش نظرات