آموزش درک و به کارگیری رگرسیون خطی

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

مدل سازی روابط بین متغیرها با استفاده از رگرسیون Modeling Relationships Between Variables Using Regression

• اتصال نقاط با استفاده از رگرسیون خطی Connecting the Dots Using Linear Regression

• دلایل استفاده از رگرسیون Reasons for Using Regression

• تطبیق پذیری رگرسیون Versatility of Regression

• رگرسیون به عنوان یادگیری ماشین Regression as Machine Learning

• میانگین و واریانس Mean and Variance

• توزیع احتمالات و منحنی بل Probability Distributions and the Bell Curve

درک مدلهای ساده رگرسیون Understanding Simple Regression Models

• تنظیم مشکل رگرسیون Setting up the Regression Problem

• بهترین خط مناسب The Best Fit Line

• طعم سریع رگرسیون در اکسل A Quick Taste of Regression in Excel

• حل مسئله رگرسیون Solving the Regression Problem

• باقیمانده و فرضیات رگرسیون Residuals and the Regression Assumptions

• توضیح واریانس با استفاده از رگرسیون ساده Explaining Variance Using Simple Regression

• R-مربع همانطور که واریانس توضیح داده شده است R-squared as Variance Explained

• پیش بینی با استفاده از رگرسیون ساده Prediction Using Simple Regression

پیاده سازی مدل های رگرسیون ساده در Excel Implementing Simple Regression Models in Excel

• اعمال رگرسیون ساده Applying Simple Regression

• نقض مفروضات رگرسیون Violations of Regression Assumptions

• نمونه سازی سریع در اکسل Fast Prototyping in Excel

• شیب ، رهگیری و پیش بینی Slope, Intercept, and Prediction

• مدلهای رگرسیون ضعیف مشخص شده Poorly Specified Regression Models

پیاده سازی مدلهای رگرسیون ساده در R Implementing Simple Regression Models in R

• R برای رگرسیون R for Regression

• فریم های داده در R Data Frames in R

• بازگرداندن بازده ، نه قیمت ها Regressing Returns, Not Prices

• پیش بینی با رگرسیون در R Prediction with Regression in R

پیاده سازی مدلهای رگرسیون ساده در پایتون Implementing Simple Regression Models in Python

• چه زمانی پایتون ابزار مناسبی برای رگرسیون است؟ When Python Is the Right Tool for Regression?

• با استفاده از Pandas و NumPy Using Pandas and NumPy

• رگرسیون خطی به عنوان یادگیری ماشین Linear Regression as Machine Learning

درک چندین مدل رگرسیون Understanding Multiple Regression Models

• معرفی رگرسیون چندگانه Introducing Multiple Regression

• خطرات ناشی از رگرسیون چندگانه Risks in Multiple Regression

• تشخیص چند خطی بودن Detecting Multicollinearity

• چند خطی بودن: پیشگیری و درمان Multicollinearity: Prevention and Cure

• فواید رگرسیون چندگانه Benefits of Multiple Regression

• تفسیر نتایج تحلیل رگرسیون Interpreting the Results of a Regression Analysis

• متغیرهای دسته ای Categorical Variables

پیاده سازی چندین مدل رگرسیون در اکسل Implementing Multiple Regression Models in Excel

• معرفی Linest در اکسل Introducing Linest in Excel

• خطاهای استاندارد Standard Errors

• آمار T و مقادیر P T-statistics and P-values

• آمار F The F-statistic

• رگرسیون چندگانه با Linest Multiple Regression with Linest

• متغیرهای دسته بندی در اکسل Categorical Variables in Excel

پیاده سازی چندین مدل رگرسیون در R Implementing Multiple Regression Models in R

• رگرسیون چندگانه در R Multiple Regression in R

• متغیرهای دسته ای بدون رهگیری در R Categorical Variables Without an Intercept in R

پیاده سازی چندین مدل رگرسیون در پایتون Implementing Multiple Regression Models in Python

• رگرسیون چندگانه به دو روش مختلف Multiple Regression in Two Different Ways

• متغیرهای دسته ای Categorical Variables