لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مدلسازی رگرسیون در عمل
- آخرین آپدیت
دانلود Regression Modeling in Practice
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره بر یکی از مهمترین ابزارهای تحلیل داده، یعنی تحلیل رگرسیون تمرکز دارد. شما با استفاده از SAS یا پایتون، ابتدا با رگرسیون خطی شروع میکنید و سپس یاد میگیرید که در صورتی که بین دو متغیر رابطه خطی واضحی وجود ندارد، چگونه مدل خود را تطبیق دهید. در این دوره، پیشبینهای متعدد برای متغیر پاسخ خود را بررسی کرده و قادر خواهید بود متغیرهای مخدوشکننده (Confounding Variables) را شناسایی کنید تا نتایج تحلیل خود را به شکلی متقاعدکنندهتر ارائه دهید. همچنین مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون و استفاده از نمودارهای تشخیصی و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون را خواهید آموخت. در طول این دوره، مدلهای رگرسیونی که توسعه دادهاید و تحلیلهای استخراج شده از آنها را با دیگران به اشتراک خواهید گذاشت.
سرفصل ها و درس ها
مقدمهای بر رگرسیون
Introduction to Regression
درس ۱: دادههای مشاهدهای
Lesson 1: Observational Data
درس ۲: دادههای آزمایشی
Lesson 2: Experimental Data
درس ۳: متغیرهای مخدوشکننده
Lesson 3: Confounding Variables
درس ۴: مقدمهای بر روشهای چندمتغیره
Lesson 4: Introduction to Multivariate Methods
مبانی رگرسیون خطی
Basics of Linear Regression
درس ۱ SAS: نکات تکمیلی درباره متغیرهای مخدوشکننده
SAS Lesson 1: More on Confounding Variables
درس ۲ SAS: تست مدل رگرسیون خطی پایه
SAS Lesson 2: Testing a Basic Linear Regression Mode
درس ۳ SAS: متغیرهای توضیحی طبقهبندی شده
SAS Lesson 3: Categorical Explanatory Variables
درس ۱ پایتون: نکات تکمیلی درباره متغیرهای مخدوشکننده
Python Lesson 1: More on Confounding Variables
درس ۲ پایتون: تست مدل رگرسیون خطی پایه
Python Lesson 2: Testing a Basic Linear Regression Model
درس ۳ پایتون: متغیرهای توضیحی طبقهبندی شده
Python Lesson 3: Categorical Explanatory Variables
درس ۴: مفروضات رگرسیون خطی
Lesson 4: Linear Regression Assumptions
درس ۵: مرکز کردن متغیرهای توضیحی
Lesson 5: Centering Explanatory Variables
رگرسیون چندگانه
Multiple Regression
درس ۱ SAS: رگرسیون چندگانه
SAS Lesson 1: Multiple Regression
درس ۲ SAS: فواصل اطمینان
SAS Lesson 2: Confidence Intervals
درس ۳ SAS: رگرسیون چندجملهای
SAS Lesson 3: Polynomial Regression
درس ۴ SAS: ارزیابی برازش مدل، بخش اول
SAS Lesson 4: Evaluating Model Fit, pt. 1
درس ۵ SAS: ارزیابی برازش مدل، بخش دوم
SAS Lesson 5: Evaluating Model Fit, pt. 2
درس ۱ پایتون: رگرسیون چندگانه
Python Lesson 1: Multiple Regression
درس ۲ پایتون: فواصل اطمینان
Python Lesson 2: Confidence Intervals
درس ۳ پایتون: رگرسیون چندجملهای
Python Lesson 3: Polynomial Regression
درس ۴ پایتون: ارزیابی برازش مدل، بخش اول
Python Lesson 4: Evaluating Model Fit, pt. 1
درس ۵ پایتون: ارزیابی برازش مدل، بخش دوم
Python Lesson 5: Evaluating Model Fit, pt. 2
رگرسیون لجستیک
Logistic Regression
درس ۱ SAS: متغیرهای توضیحی طبقهبندی شده با بیش از دو دسته
SAS Lesson 1: Categorical Explanatory Variables with More Than Two Categories
درس ۱ پایتون: متغیرهای توضیحی طبقهبندی شده با بیش از دو دسته
Python Lesson 1: Categorical Explanatory Variables with More Than Two Categories
درس ۲: نکاتی که باید به خاطر بسپارید
Lesson 2: A Few Things to Keep in Mind
درس ۳ SAS: رگرسیون لجستیک برای متغیر پاسخ دوگانه، بخش اول
SAS Lesson 3: Logistic Regression for a Binary Response Variable, pt 1
درس ۴ SAS: رگرسیون لجستیک برای متغیر پاسخ دوگانه، بخش دوم
SAS Lesson 4: Logistic Regression for a Binary Response Variable, pt. 2
درس ۳ پایتون: رگرسیون لجستیک برای متغیر پاسخ دوگانه، بخش اول
Python Lesson 3: Logistic Regression for a Binary Response Variable, pt. 1
درس ۴ پایتون: رگرسیون لجستیک برای متغیر پاسخ دوگانه، بخش دوم
Python Lesson 4: Logistic Regression for a Binary Response Variable, pt. 2
نمایش نظرات