آموزش تحلیل رگرسیون برای آمار و یادگیری ماشین در R - آخرین آپدیت

شروع تحلیل کاربردی رگرسیون در R Get Started with Practical Regression Analysis in R

• معرفی دوره: مفاهیم کلیدی و ابزارهای نرم‌افزاری Introduction to the Course: The Key Concepts and Software Tools

• تفاوت بین تحلیل آماری و یادگیری ماشین Difference Between Statistical Analysis & Machine Learning

• شروع کار با R و R Studio Getting Started with R and R Studio

• خواندن داده‌ها در R Reading in Data with R

• پاکسازی داده‌ها با R Data Cleaning with R

• تکمیل پاکسازی داده‌ها در R Some More Data Cleaning with R

• تحلیل اکتشافی پایه داده‌ها در R Basic Exploratory Data Analysis in R

• جمع‌بندی بخش اول Conclusion to Section 1

مدل‌سازی رگرسیون حداقل مربعات معمولی (OLS) Ordinary Least Square Regression Modelling

• تئوری رگرسیون OLS OLS Regression- Theory

• پیاده‌سازی OLS OLS-Implementation

• تفسیر پیشرفته نتایج More on Result Interpretations

• تئوری فاصله اطمینان Confidence Interval-Theory

• محاسبه فاصله اطمینان در R Calculate the Confidence Interval in R

• فاصله اطمینان و رگرسیون‌های OLS Confidence Interval and OLS Regressions

• رگرسیون خطی بدون عرض از مبدأ Linear Regression without Intercept

• پیاده‌سازی ANOVA در رگرسیون OLS Implement ANOVA on OLS Regression

• رگرسیون خطی چندگانه Multiple Linear Regression

• رگرسیون خطی چندگانه با متغیرهای تعاملی و Dummy Multiple Linear regression with Interaction and Dummy Variables

• شرایط پایه‌ای که مدل‌های OLS باید برآورده کنند Some Basic Conditions that OLS Models Have to Fulfill

• جمع‌بندی بخش دوم Conclusions to Section 2

مقابله با هم‌خطی در مدل‌های رگرسیون OLS Deal with Multicollinearity in OLS Regression Models

• شناسایی هم‌خطی (Multicollinearity) Identify Multicollinearity

• تحلیل رگرسیون با متغیرهای پیش‌بین همبسته Doing Regression Analyses with Correlated Predictor Variables

• رگرسیون مؤلفه‌های اصلی (PCR) در R Principal Component Regression in R

• رگرسیون حداقل مربعات جزئی (PLSR) در R Partial Least Square Regression in R

• رگرسیون Ridge در R Ridge Regression in R

• رگرسیون LASSO LASSO Regression

• جمع‌بندی بخش سوم Conclusion to Section 3

انتخاب متغیر و مدل Variable & Model Selection

• چرا باید از متدهای انتخاب مدل استفاده کنیم؟ Why Do Any Kind of Selection?

• انتخاب مناسب‌ترین مدل رگرسیون OLS Select the Most Suitable OLS Regression Model

• انتخاب زیرمجموعه‌های مدل Select Model Subsets

• دیدگاه یادگیری ماشین در ارزیابی دقت مدل رگرسیون Machine Learning Perspective on Evaluate Regression Model Accuracy

• ارزیابی عملکرد مدل رگرسیون Evaluate Regression Model Performance

• رگرسیون LASSO برای انتخاب متغیر LASSO Regression for Variable Selection

• شناسایی میزان مشارکت پیش‌بین‌ها در توضیح تغییرات Y Identify the Contribution of Predictors in Explaining the Variation in Y

• جمع‌بندی بخش چهارم Conclusions to Section 4

بررسی سایر موارد نقض مفروضات در مدل‌های رگرسیون OLS Dealing with Other Violations of the OLS Regression Models

• تبدیلات داده‌ها Data Transformations

• رگرسیون استوار برای مدیریت داده‌های پرت Robust Regression-Deal with Outliers

• مقابله با ناهمسانی واریانس (Heteroscedasticity) Dealing with Heteroscedasticity

• جمع‌بندی بخش پنجم Conclusions to Section 5

مدل‌های خطی تعمیم‌یافته (GLMs) Generalized Linear Models (GLMs)

• مدل‌های GLM چیستند؟ What are GLMs?

• رگرسیون لجستیک Logistic regression

• رگرسیون لجستیک برای متغیر پاسخ دوگانه Logistic Regression for Binary Response Variable

• رگرسیون لجستیک چندجمله‌ای Multinomial Logistic Regression

• رگرسیون برای داده‌های شمارشی Regression for Count Data

• آزمون نیکویی برازش (Goodness of fit) Goodness of fit testing

• جمع‌بندی بخش ششم Conclusions to Section 6

کار با داده‌های ناپارامتریک و غیرخطی Working with Non-Parametric and Non-Linear Data

• رگرسیون چندجمله‌ای و غیرخطی Polynomial and Non-linear regression

• مدل‌های افزودنی تعمیم‌یافته (GAMs) در R Generalized Additive Models (GAMs) in R

• رگرسیون Boosted GAM Boosted GAM Regression

• اسپلاین‌های رگرسیون تطبیقی چندمتغیره (MARS) Multivariate Adaptive Regression Splines (MARS)

• درخت‌های رگرسیون CART در R CART-Regression Trees in R

• درخت‌های استنتاج شرطی Conditional Inference Trees

• جنگل تصادفی (RF) Random Forest(RF)

• رگرسیون Gradient Boosting Gradient Boosting Regression

• انتخاب مدل در یادگیری ماشین ML Model Selection

• جمع‌بندی بخش هفتم Conclusions to Section 7