آموزش استفاده از مدل MASS ریاضی با R

Applying the Mathematical MASS Model with R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره بر روی قابلیت ها ، مدل ها و مجموعه داده های موجود در بسته MASS در R. تمرکز دارد. در این راه ، شما دانش تخمین احتمال بقا و کار با نرخ خطر را در مدل چند حالته کسب خواهید کرد. قبل از یادگیری ماشین و پایتون آمار را به عنوان یک موضوع در می آورد با توجه به جذابیت محبوب MASS ، کل نسل آماریست های کاربردی کار خود را از کتاب درسی معروف به نام "آمار کاربردی مدرن با S" توسط Venables و Ripley آموختند. "S" ذکر شده در عنوان کتاب پیش درآمد نرم افزار آماری R است ، که برای تجزیه و تحلیل آماری بسیار محبوب و موثر است. تأثیر این اثر اساسی به قدری زیاد است که R در واقع شامل بسته ای به نام MASS ، مخفف عنوان کتاب است. در این دوره ، با استفاده از مدل ریاضی MASS با R ، شما توانایی استفاده از مجموعه داده ها ، مدل های پیش بینی و توابع تخصصی موجود در بسته MASS در R را خواهید داشت ، ابتدا می آموزید که چگونه از آزمون t کلاسیک استفاده می شود در انواع سناریوهای رایج در مورد برآورد میانگین ها و همچنین در مورد استفاده از ANOVA ، یک روش آماری قدرتمند که برای اندازه گیری خصوصیات آماری در میان دسته های مختلف داده استفاده می شود ، بیاموزید. این اکتشاف شامل انواع آزمون t مانند آزمونهای t یک نمونه و دو نمونه ، و همچنین ANOVA یک طرفه است که برای مقایسه میانگین متغیر هدف در گروه های مختلف ، بر اساس مقدار یک متغیر طبقه ای واحد. در مرحله بعدی ، شما در مورد سه روش قدرتمند در تجزیه و تحلیل داده ها ، یعنی تجزیه و تحلیل تفکیکی خطی (LDA) ، تجزیه و تحلیل تفکیک درجه دوم (QDA) و رگرسیون قوی کشف خواهید کرد. LDA و QDA تکنیک های طبقه بندی هستند که هر دو به دنبال جهت گیری مجدد داده های اصلی با استفاده از محورهای جدید و بهینه شده هستند به گونه ای که نقاط متعلق به طبقات مختلف تا آنجا که ممکن است فاصله داشته باشند. QDA وقتی به LDA ارجح است که متغیرهای x که با مقادیر مختلف متغیر y مطابقت دارند ، کوواریانس متفاوت داشته باشند. MASS شامل پشتیبانی از سه تکنیک قدرتمند رگرسیون قوی ، هوبر ، بیسکوار و همپل است. هر یک از اینها یک روش مفید برای متناسب کردن یک مدل رگرسیون است حتی اگر داده ها به شدت توسط محیط های دور آلوده شوند. سرانجام ، شما نحوه مدل سازی سیستم های پیچیده را با استفاده از مدل های چند حالته ، که نتیجه یک فرآیند تصادفی به عنوان جانشینی حالت ها است ، کشف خواهید کرد. شما تفاوت ها - و شباهت ها - بین احتمال انتقال و شدت انتقال را درک خواهید کرد ، و سپس تمام دانش را در یک کلاس خاص از مدل های چند حالته اعمال می کنید: مدل های بقا. چنین مدل هایی کاربردهای گسترده ای در حوزه های پزشکی مانند نتایج مدلسازی در رژیم های مختلف درمانی پیدا می کنند ، و شما یاد خواهید گرفت که چگونه این کار را انجام دهید ، و همچنین نحوه مدل سازی میزان خطر و احتمال بقا را یاد بگیرید. پس از پایان این دوره ، مهارت و دانش چندین تکنیک آماری تخصصی را دارید که در کتابخانه MASS در R ارائه می شود.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

انجام تجزیه و تحلیل کمی و کیفی با استفاده از مجموعه داده های MASS Performing Qualitative and Quantitative Analysis Using MASS Datasets

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • معرفی بسته MASS Introducing the MASS Package

  • داده های کمی و کیفی Qualitative and Quantitative Data

  • آزمون فرضیه با استفاده از آزمونهای t Hypothesis Testing Using t-tests

  • تست فرضیه با استفاده از ANOVA Hypothesis Testing Using ANOVA

  • نسخه ی نمایشی: ادغام با بسته MASS Demo: Integrating with the MASS Package

  • نسخه ی نمایشی: تجزیه و تحلیل کمی و کیفی داده های وزن هنگام تولد Demo: Quantitative and Qualitative Analysis of Birthweight Data

  • نسخه ی نمایشی: در حال انجام تست های t بر روی داده های وزن هنگام تولد Demo: Running t-tests on Birthweight Data

  • نسخه ی نمایشی: تجزیه و تحلیل کمی و کیفی داده های اتومبیل Demo: Quantitative and Qualitative Analysis of Cars Data

  • نسخه ی نمایشی: اجرای آنالیز ANOVA بر روی داده های اتومبیل Demo: Executing ANOVA Analysis on Cars Data

  • نسخه ی نمایشی: آزمون تی زوجی بر روی داده های آنورکسیا Demo: Paired Sample t-test on Anorexia Data

انجام تجزیه و تحلیل پیش بینی با استفاده از مدل های MASS Performing Predictive Analytics Using MASS Models

  • تحلیل م Compلفه اصلی: شهود Principal Component Analysis: Intuition

  • تجزیه و تحلیل خطی و تبعیض آمیز درجه دوم Linear Discriminant Analysis and Quadratic Discriminant Analysis

  • نصب مدل های خطی مقاوم Fitting Robust Linear Models

  • نسخه ی نمایشی: تجزیه و تحلیل خطی تبعیض آمیز (LDA) و تجسم Demo: Linear Discriminant Analysis (LDA) and Visualization

  • نسخه ی نمایشی: LDA با استفاده از تمام مقادیر ستون Demo: LDA Using All Column Values

  • نسخه ی نمایشی: تجزیه و تحلیل مجاز درجه دوم Demo: Quadratic Discriminant Analysis

  • نسخه ی نمایشی: نصب یک مدل خطی مقاوم Demo: Fitting a Robust Linear Model

  • نسخه ی نمایشی: رگرسیون قوی با استفاده از مجموعه داده مسکن بوستون Demo: Robust Regression Using the Boston Housing Dataset

پیاده سازی مدلهای چند حالته در R Implementing Multi-state Models in R

  • مدل های چند حالته Multi-state Models

  • مدلهای زنده ماندن Survival Models

  • انواع مدل های دولتی Types of State Models

  • درک توزیع های Weibull به مدل های حالت دولت Understanding Weibull Distributions to Model State Transitions

  • نمونه هایی از مدل های چند حالته Examples of Multi-state Models

  • برآورد Kaplan-Meier و آزمون ورود به سیستم The Kaplan-Meier Estimator and the Log Rank Test

  • نسخه ی نمایشی: درک داده های مدل چند حالته Demo: Understanding the Multi-state Model Data

  • نسخه ی نمایشی: مدل سازی احتمالات انتقال و شبیه سازی نتایج Demo: Modeling Transition Probabilities and Simulating Outcomes

  • نسخه ی نمایشی: تجسم و تفسیر احتمالات اشغال دولت Demo: Visualizing and Interpreting State Occupancy Probabilities

  • نسخه ی نمایشی: مدل سازی تجزیه و تحلیل بقا Demo: Modeling Survival Analysis

  • نسخه ی نمایشی: تست های رتبه بندی ورود به سیستم و مدل خطرات متناسب Demo: Log Rank Tests and the Proportional Hazards Model

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش استفاده از مدل MASS ریاضی با R
جزییات دوره
2h 20m
32
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.