آموزش مدل‌های رگرسیون - آخرین آپدیت

دانلود Regression Models

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های خطی، همان‌طور که از نامشان پیداست، یک نتیجه را با استفاده از مفروضات خطی به مجموعه‌ای از پیش‌بینی‌کننده‌های مورد نظر مرتبط می‌کنند. مدل‌های رگرسیون که زیرمجموعه‌ای از مدل‌های خطی هستند، مهم‌ترین ابزار تحلیل آماری در جعبه‌ابزار یک دانشمند داده به شمار می‌روند. این دوره آموزشی شامل تحلیل رگرسیون، روش کمترین مربعات و استنباط با استفاده از مدل‌های رگرسیونی است. همچنین موارد خاصی از مدل رگرسیون مانند ANOVA و ANCOVA مورد بررسی قرار خواهند گرفت و تحلیل باقی‌مانده‌ها و تغییرپذیری تحلیل خواهد شد. در این دوره، دیدگاه‌های مدرن در مورد انتخاب مدل و کاربردهای نوین مدل‌های رگرسیون، از جمله هموارسازی نمودارهای پراکندگی (Scatterplot Smoothing)، آموزش داده می‌شود.

سرفصل ها و درس ها

هفته اول: کمترین مربعات و رگرسیون خطی Week 1: Least Squares and Linear Regression

  • مقدمه‌ای بر رگرسیون Introduction to Regression

  • مقدمه: مفاهیم پایه کمترین مربعات Introduction: Basic Least Squares

  • جزئیات فنی (در صورت تمایل قابل چشم‌پوشی) Technical Details (Skip if you'd like)

  • مثال داده‌های مقدماتی Introductory Data Example

  • نمادگذاری و پیش‌زمینه Notation and Background

  • کمترین مربعات خطی Linear Least Squares

  • مثال کدنویسی کمترین مربعات خطی Linear Least Squares Coding Example

  • جزئیات فنی (در صورت تمایل قابل چشم‌پوشی) Technical Details (Skip if you'd like)

  • رگرسیون به سمت میانگین Regression to the Mean

هفته دوم: رگرسیون خطی و رگرسیون چند متغیره Week 2: Linear Regression & Multivariable Regression

  • مدل‌های آماری رگرسیون خطی Statistical Linear Regression Models

  • تفسیر ضرایب Interpreting Coefficients

  • رگرسیون خطی برای پیش‌بینی Linear Regression for Prediction

  • باقی‌مانده‌ها Residuals

  • باقی‌مانده‌ها: مثال کدنویسی Residuals, Coding Example

  • واریانس باقی‌مانده‌ها Residual Variance

  • استنباط در رگرسیون Inference in Regression

  • مثال کدنویسی Coding Example

  • پیش‌بینی Prediction

  • معرفی بسیار سریع knitr Really, really quick intro to knitr

هفته سوم: رگرسیون چند متغیره، باقی‌مانده‌ها و تشخیص‌ها Week 3: Multivariable Regression, Residuals, & Diagnostics

  • رگرسیون چند متغیره بخش اول Multivariable Regression part I

  • رگرسیون چند متغیره بخش دوم Multivariable Regression part II

  • ادامه رگرسیون چند متغیره Multivariable Regression Continued

  • مثال‌های رگرسیون چند متغیره بخش اول Multivariable Regression Examples part I

  • مثال‌های رگرسیون چند متغیره بخش دوم Multivariable Regression Examples part II

  • مثال‌های رگرسیون چند متغیره بخش سوم Multivariable Regression Examples part III

  • مثال‌های رگرسیون چند متغیره بخش چهارم Multivariable Regression Examples part IV

  • مثال‌های تعدیل (Adjustment) Adjustment Examples

  • باقی‌مانده‌ها و تشخیص‌ها بخش اول Residuals and Diagnostics part I

  • باقی‌مانده‌ها و تشخیص‌ها بخش دوم Residuals and Diagnostics part II

  • باقی‌مانده‌ها و تشخیص‌ها بخش سوم Residuals and Diagnostics part III

  • انتخاب مدل بخش اول Model Selection part I

  • انتخاب مدل بخش دوم Model Selection part II

  • انتخاب مدل بخش سوم Model Selection part III

هفته چهارم: رگرسیون لجستیک و رگرسیون پواسون Week 4: Logistic Regression and Poisson Regression

  • مدل‌های خطی تعمیم‌یافته (GLMs) GLMs

  • رگرسیون لجستیک بخش اول Logistic Regression part I

  • رگرسیون لجستیک بخش دوم Logistic Regression part II

  • رگرسیون لجستیک بخش سوم Logistic Regression part III

  • رگرسیون پواسون بخش اول Poisson Regression part I

  • رگرسیون پواسون بخش دوم Poisson Regression part II

  • جمع‌بندی و موارد متفرقه Hodgepodge

نمایش نظرات

آموزش مدل‌های رگرسیون
جزییات دوره
53h 36m
40
(آخرین آپدیت)
152,617
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Roger D. Peng, PhD Roger D. Peng, PhD