آموزش رگرسیون خطی و یادگیری نظارت شده در پایتون - آخرین آپدیت

دانلود Linear Regression & Supervised Learning in Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: این دوره عملی به یادگیرندگان قدرت می‌دهد تا تکنیک‌های رگرسیون خطی را در پایتون و از طریق یک رویکرد ساختاریافته و پروژه‌محور در یادگیری ماشین نظارت شده (Supervised Learning)، پیاده‌سازی و ارزیابی کنند. این دوره که برای مبتدیان و متخصصان آینده حوزه داده طراحی شده است، تمامی مراحل خط لوله مدل‌سازی رگرسیون را طی می‌کند؛ از درک مورد استفاده (Use Case) و وارد کردن کتابخانه‌های کلیدی گرفته تا تحلیل روابط بین متغیرها و پیش‌بینی نتایج. در فصل ۱، یادگیرندگان عناصر بنیادی یک پروژه یادگیری ماشین را شناسایی، توصیف و آماده‌سازی می‌کنند. آن‌ها از طریق تحلیل‌های تک‌متغیره و گرافیکی، الگوهای توزیع، داده‌های پرت (Outliers) و ویژگی‌های حیاتی داده‌ها برای آمادگی مدل را تشخیص می‌دهند. در فصل ۲، یادگیرندگان روابط بین متغیرها را تحلیل کرده، یک مدل رگرسیون می‌سازند و عملکرد پیش‌بینی آن را با استفاده از معیارها و تصویرسازی‌های استاندارد ارزیابی می‌کنند. در پایان این دوره، یادگیرندگان با اعتماد به نفس نتایج مدل را تفسیر کرده و آن‌ها را با نتایج واقعی اعتبارسنجی می‌کنند؛ این امر آن‌ها را به مهارت‌های اصلی برای ساخت و ارزیابی مدل‌های رگرسیون خطی با استفاده از پایتون مجهز می‌کند. این دوره ترکیبی از نمایش‌های عملی، توضیحات مفهومی شفاف و ارزیابی‌های ساختاریافته (شامل آزمون‌های تمرینی و درجه‌بندی شده مطابق با طبقه‌بندی بلوم) است تا یادگیری عمیق و نتیجه‌گرا را ترویج دهد.

سرفصل ها و درس ها

مبانی رگرسیون خطی در پایتون Foundations of Linear Regression in Python

مقدمه‌ای بر پروژه رگرسیون خطی در پایتون Intro to Project on Linear Regression in Python
مورد استفاده (Use Case) Use Case
وارد کردن کتابخانه‌ها Importing Libraries
تحلیل گرافیکی تک‌متغیره Graphical Univariate Analysis
نمودار جعبه‌ای رگرسیون خطی Linear Regression Boxplot
داده‌های پرت در رگرسیون خطی Linear Regression Outliers