آموزش یادگیری ماشین برای تجزیه و تحلیل داده ها: رگرسیون و پیش بینی
Machine Learning for Data Analysis: Regression & Forecasting
سر بالا!
این دوره اکنون بخشی از راهنمای تصویری کامل برای علم داده‌های یادگیری ماشینی است که هر 4 دوره یادگیری ماشین را از Maven Analytics ترکیب می‌کند. این دوره به همراه سایر دوره های انفرادی این مجموعه به زودی بازنشسته می شود.
این دوره، قسمت 3 از یک سری 4 قسمتی است که برای کمک به شما در ایجاد درک اساسی و قوی از یادگیری ماشین طراحی شده است:
بخش 1: پروفایل داده QA
بخش 2: مدلسازی طبقه‌بندی
بخش 3: پیش بینی رگرسیون
بخش 4: یادگیری بدون نظارت
این دوره، علم داده را برای افراد عادی قابل دسترسی می‌کند و برای ابهام‌زدایی از تکنیک‌های قدرتمند ابزارهای یادگیری ماشین طراحی شده است، بدون اینکه تلاشی برای آموزش همزمان یک زبان برنامه‌نویسی به شما داشته باشد.
در عوض، ما از ابزارهای آشنا و کاربر پسند مانند Microsoft Excel استفاده می‌کنیم تا موضوعات پیچیده را بشکافیم و به شما کمک می‌کنیم تا قبل از اینکه به سراغ زبان‌های برنامه‌نویسی مانند Python یا R بروید، بدانید دقیقاً چگونه و چرا یادگیری ماشین کار می‌کند. در دوره های یادگیری ماشین، یک خط کد نمی نویسید .
خلاصه دوره:
در این دوره آموزشی قسمت 3، ما با معرفی بلوک‌های سازنده اصلی مانند روابط خطی و حداقل مربعات خطا شروع می‌کنیم، سپس به شما نشان می‌دهیم که چگونه می‌توان این مفاهیم را برای مدل‌های رگرسیون تک متغیره، چند متغیره و غیرخطی اعمال کرد.
از آنجا، معیارهای تشخیصی رایج مانند R-squared، میانگین خطا، F-significance و P-Values را به همراه مفاهیم مهمی مانند homoscedasticity و multicolinearity مرور خواهیم کرد.
آخرین اما نه کم اهمیت، پیش‌بینی سری‌های زمانی را بررسی می‌کنیم و تکنیک‌های قدرتمندی برای شناسایی فصلی، پیش‌بینی روندهای غیرخطی، و اندازه‌گیری تأثیر تصمیم‌های کلیدی کسب‌وکار با استفاده از تحلیل مداخله بررسی می‌کنیم:
بخش 1: مقدمه ای بر رگرسیون
چشم انداز یادگیری تحت نظارت
رگرسیون در مقابل طبقه بندی
مهندسی ویژگی
عدم تناسب بیش از حد
پیش‌بینی در مقابل تحلیل ریشه‌ای
بخش 2: مدل سازی رگرسیون 101
روابط خطی
حداقل مربعات خطا (SSE)
رگرسیون تک متغیره
رگرسیون چند متغیره
تبدیل غیرخطی
بخش 3: تشخیص مدل
R-Squared
میانگین معیارهای خطا (MSE، MAE، MAPE)
فرضیه صفر
F-Significance
T-Values P-Values
همسانی
چند خطی
بخش 4: پیش بینی سری زمانی
فصلی
تابع همبستگی خودکار (ACF)
روند خطی
مدل‌های غیر خطی (گومپرتز)
تجزیه و تحلیل مداخله
در طول دوره، ما مطالعات موردی عملی را برای تثبیت مفاهیم کلیدی و پیوند آنها با سناریوهای دنیای واقعی معرفی خواهیم کرد. خواهید دید که چگونه می توان از تحلیل رگرسیون برای تخمین قیمت ملک، پیش بینی روندهای فصلی، پیش بینی فروش برای راه اندازی محصول جدید و حتی اندازه گیری تأثیر تجاری طراحی وب سایت جدید استفاده کرد.
اگر می‌خواهید پایه و اساس شغلی موفق در علم داده را ایجاد کنید، این دوره آموزشی برای شماست!
__________
امروز بپیوندید و به موارد زیر دسترسی فوری و مادام العمر داشته باشید:
ویدیوی با کیفیت بالا و درخواستی
کتاب الکترونیکی یادگیری ماشین: پیش‌بینی رگرسیون
فایل پروژه اکسل قابل دانلود
انجمن پرسش و پاسخ متخصص
30 روز ضمانت بازگشت وجه
یادگیری مبارک!
-Josh M. (مدرس اصلی یادگیری ماشین، Maven Analytics)
__________
به دنبال پشته کامل هوش تجاری ما هستید؟ برای مرور کتابخانه کامل دوره ما، از جمله دوره های Excel، Power BI، MySQL و Tableau، "Maven Analytics" را جستجو کنید!
ببینید چرا دوره‌های ما جزو برترین‌ها در Udemy هستند:
"برخی از بهترین دوره هایی که تا به حال گذرانده ام. چندین زبان برنامه نویسی، Excel، VBA و توسعه دهنده وب را مطالعه کرده ام، و Maven یکی از بهترین دوره هایی است که دیده ام!" Russ C.
"این چهارمین دوره من از Maven Analytics و چهارمین بررسی 5 ستاره من است، بنابراین چیزهایی برای گفتن تمام شده است. کاش Maven زودتر در زندگی من بود!" تاتسیانا ام.
"Maven Analytics باید استاندارد جدیدی برای تمام دوره های آموزش داده شده در Udemy شود!" جونا ام.
شروع شدن Getting Started
-
ساختار و طرح کلی دوره Course Structure & Outline
-
مرا بخوانید: به‌روزرسانی‌های مهم دوره READ ME: Important Course Updates
-
درباره این سریال About This Series
-
دانلود: منابع دوره DOWNLOAD: Course Resources
-
تعیین انتظارات Setting Expectations
مقدمه ای بر رگرسیون Intro to Regression
-
یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised vs. Unsupervised Learning
-
خلاصه: مفاهیم کلیدی RECAP: Key Concepts
-
رگرسیون 101 Regression 101
-
گردش کار رگرسیون Regression Workflow
-
مهندسی ویژگی Feature Engineering
-
تقسیم و نصب بیش از حد Splitting & Overfitting
-
پیش‌بینی در مقابل تحلیل ریشه‌ای Prediction vs. Root-Cause Analysis
-
آزمون: مقدمه ای بر رگرسیون QUIZ: Intro to Regression
مدلسازی رگرسیون Regression Modeling
-
مقدمه ای بر مدل سازی رگرسیون Intro to Regression Modeling
-
روابط خطی Linear Relationships
-
حداقل مربعات خطا Least Squared Error
-
رگرسیون خطی تک متغیره Univariate Linear Regression
-
مطالعه موردی: رگرسیون خطی تک متغیره CASE STUDY: Univariate Linear Regression
-
رگرسیون خطی چندگانه Multiple Linear Regression
-
رگرسیون غیر خطی Non-Linear Regression
-
مطالعه موردی: رگرسیون غیر خطی CASE STUDY: Non-Linear Regression
-
آزمون: مدلسازی رگرسیون QUIZ: Regression Modeling
تشخیص مدل Model Diagnostics
-
مقدمه ای بر تشخیص مدل Intro to Model Diagnostics
-
نمونه خروجی مدل Sample Model Output
-
R-Squared R-Squared
-
معیارهای میانگین خطا (MSE، MAE، MAPE) Mean Error Metrics (MSE, MAE, MAPE)
-
همجنسگرایی Homoskedasticity
-
فرضیه صفر Null Hypothesis
-
F- اهمیت F-Significance
-
T-Values و P-Values T-Values & P-Values
-
چند خطی Multicollinearity
-
عامل تورم واریانس Variance Inflation Factor
-
RECAP: نمونه خروجی مدل RECAP: Sample Model Output
-
آزمون: تشخیص مدل QUIZ: Model Diagnostics
پیش بینی سری زمانی Time-Series Forecasting
-
مقدمه ای بر پیش بینی Intro to Forecasting
-
فصلی بودن Seasonality
-
تابع همبستگی خودکار Auto Correlation Function
-
مطالعه موردی: فصلی بودن با ACF CASE STUDY: Seasonality with ACF
-
رمزگذاری یک داغ One-Hot Encoding
-
مطالعه موردی: فصلی بودن با رمزگذاری تک داغ CASE STUDY: Seasonality with One-Hot Encoding
-
روند خطی Linear Trending
-
مطالعه موردی: فصلی با روند خطی CASE STUDY: Seasonality with Linear Trend
-
صاف کردن Smoothing
-
مطالعه موردی: صاف کردن CASE STUDY: Smoothing
-
روندهای غیر خطی Non-Linear Trends
-
مطالعه موردی: روند غیر خطی CASE STUDY: Non-Linear Trend
-
تجزیه و تحلیل مداخله Intervention Analysis
-
مطالعه موردی: تحلیل مداخله ای CASE STUDY: Intervention Analysis
-
آزمون: پیش بینی سری زمانی QUIZ: Time-Series Forecasting
بسته بندی Wrapping Up
-
نگاه به آینده به قسمت 4 Looking Ahead to Part 4
-
درس جایزه BONUS LESSON
نمایش نظرات
نظری ارسال نشده است.
https://donyad.com/d/f70c11
آموزش MSBI، SSIS، SSRS و SSAS را مرحله به مرحله بیاموزید
Learn MSBI , SSIS , SSRS and SSAS Step by Step
این دوره MSBI را از سطح پایه تا پیشرفته به شما آموزش می دهد. تمام 3 مفهوم SSIS، SSAS و SSRS را پوشش می دهد.
آموزش مسترکلاس کیفیت داده - دوره کامل
Data Quality Masterclass - The Complete Course
مدیریت کیفیت داده را از A تا Z یاد بگیرید. این راهنمای کامل تمام اصول، تکنیک ها و موارد دیگر کیفیت داده را پوشش می دهد.
آموزش مهندس داده شوید - BI، Python، SQL، SSIS، ETL
Become a Data Engineer- BI, Python, SQL, SSIS, ETL
تبدیل هوش تجاری با پایتون، SQL، SSIS و ETL
آموزش برنامه نویسی SAS MACRO - برنامه نویسی پیشرفته برای مبتدیان
SAS MACRO Programming - Advanced Programming for Beginners
کاملترین دوره برنامه نویسی SAS MACRO: تئوری و تمرین زیاد
Maven Analytics
Joshua MacCarty
Udemy (یودمی)
یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.