آموزش رگرسیون خطی و رگرسیون لجستیک با استفاده از R Studio

Linear Regression and Logistic Regression using R Studio

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: رگرسیون خطی و رگرسیون لجستیک برای مبتدیان. تفاوت بین طبقه بندی رگرسیون را درک کنید

آنچه یاد خواهید گرفت

  • بیاموزید که چگونه با استفاده از تکنیک رگرسیون خطی و لجستیک، مسئله واقعی را حل کنید
  • تجزیه و تحلیل اولیه داده ها با استفاده از تحلیل تک متغیره و دو متغیره قبل از اجرای تحلیل رگرسیون
  • نمایش گرافیکی داده ها در R قبل و بعد از تجزیه و تحلیل
  • نحوه انجام عملیات آماری پایه در R
  • درک نحوه تفسیر نتایج مدل رگرسیون خطی و لجستیک و تبدیل آنها به بینش عملی
  • دانش عمیق جمع آوری داده ها و پیش پردازش داده ها برای مسئله رگرسیون خطی و لجستیک

شما به دنبال یک دوره کامل رگرسیون خطی و رگرسیون لجستیک هستید که همه چیزهایی را که برای ایجاد یک مدل رگرسیون خطی یا لجستیک در R Studio نیاز دارید به شما آموزش می‌دهد، درست است؟

شما دوره مناسب رگرسیون خطی را پیدا کرده اید!

پس از تکمیل این دوره، شما قادر خواهید بود:

  • مشکل تجاری را که می توان با استفاده از تکنیک رگرسیون خطی و لجستیک یادگیری ماشین حل کرد، شناسایی کنید.

  • یک مدل رگرسیون خطی و رگرسیون لجستیک در R Studio ایجاد کنید و نتیجه آن را تجزیه و تحلیل کنید.

  • مفاهیم یادگیری ماشین را با اطمینان تمرین، بحث و درک کنید

یک گواهی تکمیل قابل تأیید به همه دانش‌آموزانی که این دوره آموزشی مبانی یادگیری ماشین را می‌گذرانند ارائه می‌شود.

این دوره چگونه به شما کمک خواهد کرد؟

اگر یک مدیر کسب و کار یا مدیر اجرایی هستید، یا دانشجویی هستید که می خواهید یادگیری ماشین را در مسائل دنیای واقعی کسب و کار بیاموزید و به کار ببرید، این دوره با آموزش محبوب ترین تکنیک ماشین به شما پایه محکمی برای آن می دهد. یادگیری، که رگرسیون خطی

است

چرا باید این دوره را انتخاب کنید؟

این دوره تمام مراحلی را که باید در حین حل یک مشکل تجاری از طریق رگرسیون خطی انجام داد را پوشش دهد.

اکثر دوره‌ها فقط بر آموزش نحوه اجرای تجزیه و تحلیل تمرکز می‌کنند، اما ما معتقدیم که آنچه قبل و بعد از اجرای تجزیه و تحلیل اتفاق می‌افتد از اهمیت بیشتری برخوردار است، یعنی قبل از اجرای تجزیه و تحلیل، بسیار مهم است که داده‌های مناسب داشته باشید و مقداری پیش پردازش روی آن انجام دهید. آی تی. و پس از اجرای تجزیه و تحلیل، باید بتوانید قضاوت کنید که مدل خود چقدر خوب است و نتایج را تفسیر کنید تا واقعا بتوانید به کسب و کار خود کمک کنید.

چه چیزی ما را واجد شرایط آموزش به شما می کند؟

این دوره توسط آبیشک و پخراج تدریس می شود. ما به عنوان مدیران شرکت مشاوره آنالیتیکس جهانی، به کسب‌وکارها کمک کرده‌ایم تا مشکل کسب‌وکار خود را با استفاده از تکنیک‌های یادگیری ماشین حل کنند و از تجربیات خود برای گنجاندن جنبه‌های عملی تجزیه و تحلیل داده‌ها در این دوره استفاده کرده‌ایم

ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 150000 ثبت نام و هزاران بررسی 5 ستاره مانند این:

این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا

با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی می ارزد. - دیزی

قول ما

آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مرتبط با هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.

فایل‌های تمرین را دانلود کنید، آزمون‌ها را امتحان کنید و تکالیف را کامل کنید

با هر سخنرانی، یادداشت‌های کلاسی ضمیمه شده است که می‌توانید آنها را دنبال کنید. همچنین می‌توانید برای بررسی درک خود از مفاهیم، ​​در آزمون‌هایی شرکت کنید. هر بخش شامل یک تکلیف تمرینی است تا بتوانید یادگیری خود را عملی کنید.

چه مواردی در این دوره پوشش داده می شود؟

این دوره تمام مراحل ایجاد یک مدل رگرسیون خطی را که محبوب‌ترین مدل یادگیری ماشینی است، برای حل مشکلات تجاری به شما می‌آموزد.

در زیر محتوای دوره این دوره در زمینه رگرسیون خطی آمده است:

  • بخش 1 - مبانی آمار

    این بخش به پنج سخنرانی مختلف تقسیم می شود که از انواع داده ها و سپس انواع آمار شروع می شود

    سپس نمایش‌های گرافیکی برای توصیف داده‌ها و سپس سخنرانی در مورد معیارهای مرکز مانند میانگین

    میانگین و حالت و در نهایت معیارهای پراکندگی مانند محدوده و انحراف استاندارد

  • بخش 2 - پایتون اساسی

    این بخش شما را با پایتون شروع می کند.

    این بخش به شما کمک می کند محیط پایتون و ژوپیتر را روی سیستم خود راه اندازی کنید و آموزش می دهد

    شما چگونه برخی از عملیات اساسی را در پایتون انجام دهید. ما اهمیت کتابخانه های مختلف مانند Numpy، Pandas Seaborn را درک خواهیم کرد.

  • بخش 3 - مقدمه ای بر یادگیری ماشین

    در این بخش خواهیم آموخت - یادگیری ماشینی به چه معناست. معانی یا اصطلاحات مختلف مرتبط با یادگیری ماشین چیست؟ چند مثال خواهید دید تا متوجه شوید که یادگیری ماشینی در واقع چیست. همچنین شامل مراحلی است که در ساخت یک مدل یادگیری ماشین، نه فقط مدل‌های خطی، بلکه هر مدل یادگیری ماشینی نقش دارد.

  • بخش 4 - پیش پردازش داده

    در این بخش خواهید آموخت که چه اقداماتی را باید قدم به قدم انجام دهید تا داده ها را دریافت کنید و سپس

    آن را برای تجزیه و تحلیل آماده کنید که این مراحل بسیار مهم هستند.

    ما با درک اهمیت دانش کسب و کار شروع می کنیم، سپس خواهیم دید که چگونه کاوش داده ها را انجام دهیم. ما یاد می گیریم که چگونه تجزیه و تحلیل تک متغیره و تجزیه و تحلیل دو متغیره را انجام دهیم، سپس موضوعاتی مانند درمان پرت، انتساب مقدار گمشده، تبدیل متغیر و همبستگی را پوشش می دهیم.

  • بخش 5 - مدل رگرسیون

    این بخش با رگرسیون خطی ساده شروع می شود و سپس رگرسیون خطی چندگانه را پوشش می دهد.

    ما تئوری اصلی هر مفهوم را بدون اینکه بیش از حد ریاضی در مورد آن انجام دهیم پوشش داده ایم تا شما

    درک کنید که این مفهوم از کجا می آید و چگونه مهم است. اما حتی اگر نفهمید

    تا زمانی که یاد بگیرید چگونه اجرا کنید و نتیجه را همانطور که در سخنرانی های عملی آموزش داده شده است تفسیر کنید، مشکلی ندارد.

    ما همچنین به چگونگی کمی سازی دقت مدل ها، معنی آماره F چیست، چگونه متغیرهای طبقه بندی شده در مجموعه داده متغیرهای مستقل در نتایج تفسیر می شوند، چه تغییرات دیگری در روش حداقل مربعات معمولی وجود دارد و در نهایت چگونه می توانیم بررسی کنیم. نتیجه را تفسیر کنید تا پاسخ یک مشکل تجاری را بیابید.

در پایان این دوره، اعتماد شما به ایجاد یک مدل رگرسیون در پایتون افزایش می یابد. شما درک کاملی از نحوه استفاده از مدل‌سازی رگرسیون برای ایجاد مدل‌های پیش‌بینی و حل مشکلات تجاری خواهید داشت.


ادامه دهید و روی دکمه ثبت نام کلیک کنید، و من شما را در درس 1 می بینم!


به سلامتی

Start-Tech Academy


------------

در زیر فهرستی از پرسش‌های متداول رایج دانش‌آموزانی است که می‌خواهند سفر یادگیری ماشینی خود را شروع کنند-

یادگیری ماشینی چیست؟

Machine Learning رشته‌ای از علوم رایانه است که به رایانه توانایی یادگیری بدون برنامه‌ریزی صریح را می‌دهد. این شاخه ای از هوش مصنوعی است که مبتنی بر این ایده است که سیستم ها می توانند از داده ها یاد بگیرند، الگوها را شناسایی کنند و با کمترین دخالت انسان تصمیم بگیرند.

تکنیک رگرسیون خطی یادگیری ماشین چیست؟

رگرسیون خطی یک مدل یادگیری ماشینی ساده برای مشکلات رگرسیون است، یعنی زمانی که متغیر هدف یک مقدار واقعی است.

رگرسیون خطی یک مدل خطی است، به عنوان مثال. مدلی که یک رابطه خطی بین متغیرهای ورودی (x) و متغیر خروجی واحد (y) را فرض می کند. به طور خاص، y را می توان از ترکیب خطی متغیرهای ورودی (x) محاسبه کرد.

وقتی یک متغیر ورودی منفرد (x) وجود دارد، روش به عنوان رگرسیون خطی ساده نامیده می‌شود.

وقتی چندین متغیر ورودی وجود دارد، این روش به عنوان رگرسیون خطی چندگانه شناخته می‌شود.

چرا تکنیک رگرسیون خطی یادگیری ماشین را یاد بگیریم؟

چهار دلیل برای یادگیری تکنیک رگرسیون خطی یادگیری ماشین وجود دارد:

1. رگرسیون خطی محبوب ترین تکنیک یادگیری ماشین است

2. رگرسیون خطی دقت پیش‌بینی نسبتاً خوبی دارد

3. پیاده سازی رگرسیون خطی ساده و تفسیر آن آسان است

4. این به شما پایه ای محکم برای شروع یادگیری سایر تکنیک های پیشرفته یادگیری ماشینی

می دهد

یادگیری تکنیک رگرسیون خطی یادگیری ماشین چقدر زمان می برد؟

رگرسیون خطی آسان است اما هیچ کس نمی تواند زمان یادگیری را تعیین کند. این کاملا به شما بستگی دارد. روشی که برای کمک به یادگیری رگرسیون خطی اتخاذ کردیم، از اصول اولیه شروع می شود و شما را در عرض چند ساعت به سطح پیشرفته می برد. شما می توانید همان را دنبال کنید، اما به یاد داشته باشید که بدون تمرین چیزی نمی توانید یاد بگیرید. تمرین تنها راه برای به خاطر سپردن مطالبی است که آموخته اید. بنابراین، مجموعه داده دیگری را نیز در اختیار شما قرار داده ایم تا به عنوان پروژه جداگانه رگرسیون خطی روی آن کار کنید.

مراحلی را که باید دنبال کنم تا بتوانم یک مدل یادگیری ماشینی بسازم چیست؟

می توانید فرآیند یادگیری خود را به 4 قسمت تقسیم کنید:

آمار و احتمال - پیاده‌سازی تکنیک‌های یادگیری ماشینی به دانش اولیه آمار و مفاهیم احتمال نیاز دارد. بخش دوم دوره این بخش را پوشش می دهد.

درک یادگیری ماشینی - بخش چهارم به شما کمک می کند تا اصطلاحات و مفاهیم مرتبط با یادگیری ماشین را درک کنید و مراحلی را که باید برای ساختن یک مدل یادگیری ماشین دنبال کنید ارائه می دهد

تجربه برنامه نویسی - بخش مهمی از یادگیری ماشین برنامه نویسی است. پایتون و R به وضوح در روزهای اخیر پیشتاز هستند. بخش سوم به شما کمک می کند تا محیط پایتون را راه اندازی کنید و چند عملیات اساسی را به شما آموزش می دهد. در بخش‌های بعدی ویدیویی در مورد نحوه پیاده‌سازی هر مفهومی که در سخنرانی تئوری در پایتون تدریس می‌شود وجود دارد

آشنایی با مدل‌سازی رگرسیون خطی - داشتن دانش خوب از رگرسیون خطی به شما درک کاملی از نحوه عملکرد یادگیری ماشین می‌دهد. اگرچه رگرسیون خطی ساده‌ترین تکنیک یادگیری ماشینی است، اما همچنان محبوب‌ترین روش با توانایی پیش‌بینی نسبتاً خوب است. بخش پنجم و ششم مبحث رگرسیون خطی را سرتاسر پوشش می دهد و با هر سخنرانی تئوری یک سخنرانی عملی مربوطه ارائه می شود که در آن ما در واقع هر پرس و جو را با شما اجرا می کنیم.

چرا از Python برای یادگیری ماشین داده استفاده کنیم؟

درک Python یکی از مهارت‌های ارزشمند مورد نیاز برای یک حرفه در یادگیری ماشین است.

اگرچه همیشه اینطور نبوده است، پایتون زبان برنامه نویسی انتخابی برای علم داده است. این یک تاریخچه مختصر است:

در سال 2016، از R در Kaggle، پلتفرم برتر مسابقات علم داده، پیشی گرفت.

در سال 2017، در نظرسنجی سالانه KDNuggets از ابزارهای پرکاربرد دانشمندان داده، از R پیشی گرفت.

در سال 2018، 66 درصد از دانشمندان داده از Python به صورت روزانه استفاده می‌کنند، که آن را به ابزار شماره یک برای متخصصان تجزیه و تحلیل تبدیل می‌کند.

کارشناسان یادگیری ماشین انتظار دارند این روند با افزایش توسعه در اکوسیستم پایتون ادامه یابد. و در حالی که سفر شما برای یادگیری برنامه نویسی پایتون ممکن است تازه شروع شده باشد، خوب است بدانید که فرصت های شغلی فراوان (و در حال رشد) نیز هستند.

تفاوت بین داده کاوی، یادگیری ماشینی و یادگیری عمیق چیست؟

به زبان ساده، یادگیری ماشین و داده کاوی از الگوریتم ها و تکنیک های مشابه داده کاوی استفاده می کنند، به جز اینکه انواع پیش بینی ها متفاوت است. در حالی که داده کاوی الگوها و دانش ناشناخته قبلی را کشف می کند، یادگیری ماشین الگوها و دانش شناخته شده را بازتولید می کند - و بیشتر به طور خودکار این اطلاعات را در داده ها، تصمیم گیری ها و اقدامات اعمال می کند.

آموزش عمیق، از سوی دیگر، از قدرت محاسباتی پیشرفته و انواع خاصی از شبکه‌های عصبی استفاده می‌کند و آنها را در مقادیر زیادی از داده‌ها برای یادگیری، درک و شناسایی الگوهای پیچیده استفاده می‌کند. ترجمه خودکار زبان و تشخیص های پزشکی نمونه هایی از یادگیری عمیق هستند.

این دوره برای چه کسانی است:

  • افرادی که به دنبال شغلی در علم داده هستند
  • حرفه ای ها سفر داده خود را آغاز می کنند
  • آماردانان به تجربه عملی بیشتری نیاز دارند
  • هر کسی که کنجکاو است در یک بازه زمانی کوتاه بر رگرسیون خطی و لجستیک از سطح مبتدی تا پیشرفته تسلط یابد

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • منابع دوره Course Resources

مبانی آمار Basics of Statistics

  • انواع داده ها Types of Data

  • این یک نقطه عطف است! This is a milestone!

  • انواع آمار Types of Statistics

  • توصیف داده ها به صورت گرافیکی Describing the data graphically

  • اقدامات مراکز Measures of Centers

  • اقدامات پراکندگی Measures of Dispersion

شروع کار با استودیو R و R Getting started with R and R studio

  • نصب استودیو R و R Installing R and R studio

  • مبانی استودیو R و R Basics of R and R studio

  • بسته ها در R Packages in R

  • وارد کردن داده ها قسمت 1: مجموعه داده های داخلی R Inputting data part 1: Inbuilt datasets of R

  • وارد کردن داده ها قسمت 2: ورود دستی داده ها Inputting data part 2: Manual data entry

  • وارد کردن داده ها قسمت 3: وارد کردن از فایل های CSV یا متنی Inputting data part 3: Importing from CSV or Text files

  • ایجاد بارپلات در R Creating Barplots in R

  • ایجاد هیستوگرام در R Creating Histograms in R

پیش پردازش داده ها قبل از ساخت مدل رگرسیون خطی Data Preprocessing before building Linear Regression Model

  • جمع آوری دانش کسب و کار Gathering Business Knowledge

  • کاوش داده ها Data Exploration

  • داده ها و دیکشنری داده ها The Data and the Data Dictionary

  • وارد کردن مجموعه داده به R Importing the dataset into R

  • تجزیه و تحلیل تک متغیره و EDD Univariate Analysis and EDD

  • EDD در R EDD in R

  • درمان پرت Outlier Treatment

  • درمان پرت در R Outlier Treatment in R

  • مقدار گمشده Missing Value imputation

  • مقدار گمشده در R Missing Value imputation in R

  • فصلی بودن در داده ها Seasonality in Data

  • تجزیه و تحلیل دو متغیره و تبدیل متغیر Bi-variate Analysis and Variable Transformation

  • تبدیل متغیر در R Variable transformation in R

  • متغیرهای غیر قابل استفاده Non Usable Variables

  • ایجاد متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data

  • ایجاد متغیر ساختگی در R Dummy variable creation in R

  • ماتریس همبستگی و رابطه علت و معلولی Correlation Matrix and cause-effect relationship

  • ماتریس همبستگی در R Correlation Matrix in R

  • امتحان Quiz

مدل رگرسیون خطی Linear Regression Model

  • بیان مشکل The problem statement

  • معادلات پایه و روش حداقل مربعات معمولی (OLS). Basic equations and Ordinary Least Squared (OLS) method

  • ارزیابی دقت ضرایب پیش بینی شده Assessing Accuracy of predicted coefficients

  • ارزیابی دقت مدل - RSE و R مجذور Assessing Model Accuracy - RSE and R squared

  • رگرسیون خطی ساده در R Simple Linear Regression in R

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • F - آمار The F - statistic

  • تفسیر نتیجه برای متغیر طبقه بندی Interpreting result for categorical Variable

  • رگرسیون خطی چندگانه در R Multiple Linear Regression in R

  • تست-قطار تقسیم Test-Train split

  • تعارض واریانس مبادله Bias Variance trade-off

  • اطلاعات بیشتر درباره تقسیم قطار آزمایشی More about test-train split

  • تقسیم تست-قطار در R Test-Train Split in R

مقدمه ای بر مدل های طبقه بندی Introduction to the classification Models

  • سه مدل طبقه بندی و مجموعه داده Three classification models and Data set

  • وارد کردن داده ها به R Importing the data into R

  • اظهارات مشکل The problem statements

  • چرا نمی توانیم از رگرسیون خطی استفاده کنیم؟ Why can't we use Linear Regression?

ساخت یک مدل رگرسیون لجستیک Building a Logistic Regression Model

  • رگرسیون لجستیک Logistic Regression

  • آموزش یک مدل لجستیک ساده در R Training a Simple Logistic model in R

  • نتایج رگرسیون لجستیک ساده Results of Simple Logistic Regression

  • لجستیک با پیش بینی های متعدد Logistic with multiple predictors

  • آموزش مدل لجستیک پیش بینی کننده چندگانه در R Training multiple predictor Logistic model in R

  • ماتریس سردرگمی Confusion Matrix

  • ارزیابی عملکرد مدل Evaluating Model performance

  • پیش بینی احتمالات، اختصاص کلاس ها و ساختن ماتریس سردرگمی Predicting probabilities, assigning classes and making Confusion Matrix

تست-قطار تقسیم Test-Train Split

  • تست-قطار تقسیم Test-Train Split

  • تقسیم تست-قطار در R Test-Train Split in R

  • تقسیم تست-قطار در R Test-Train Split in R

  • نقطه عطف نهایی! The final milestone!

تبریک و بابت گواهینامه شما Congratulations & about your certificate

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

آموزش رگرسیون خطی و رگرسیون لجستیک با استفاده از R Studio
جزییات دوره
6h 13m
65
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
48,880
4.3 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Start-Tech Academy Start-Tech Academy

بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.