R آموزش قسمت 2: مدل سازی داده ها

R Essential Training Part 2: Modeling Data

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: تلاش برای یافتن معنا و جهت در داده های بزرگ دشوار است. R می تواند به شما کمک کند راه خود را پیدا کنید. R یک زبان برنامه نویسی آماری برای تحلیل و تجسم روابط بین مقدار زیادی داده است. این یکی از مهمترین ابزارهای موجود برای تجزیه و تحلیل داده ها ، یادگیری ماشین و دانش داده است. این مجموعه آموزشی با دستورالعمل های دقیق برای کار با R و RStudio و مثالهای عملی ، از گرافیک اکتشافی گرفته تا شبکه های عصبی ، آشنایی کاملی با R دارد. در بخش دو ، مدل سازی داده ها ، مربی بارتون پولسون نحوه محاسبه آمار ، تجزیه و تحلیل داده ها ، پیش بینی نتایج و گروه بندی و طبقه بندی موارد را نشان می دهد. اینها تکنیکهای اساسی است که شما برای ایجاد بینش معنادار برای سازمان خود نیاز دارید.
      موضوعات شامل:
      • فرکانس ها و همبستگی های محاسباتی
      • محاسبه آمار توصیفی
      • انجام تجزیه و تحلیل مورد
      • مقایسه نسبت
      • مقایسه وسایل جفت شده
      • مقایسه چند معنی
      • پیش بینی نتایج با رگرسیون خطی و لجستیکی
      • گروه بندی موارد با خوشه بندی k-means
      • طبقه بندی موارد با نزدیکترین همسایگان
      • ایجاد مدلهای گروه

      سرفصل ها و درس ها

      مقدمه Introduction

      • داده های مدل با R Model data with R

      • با استفاده از پرونده های تمرینی Using the exercise files

      1. R برای علوم داده 1. R for Data Science

      • علم داده با R: مطالعه موردی Data science with R: A case study

      2. کاوش داده ها 2. Exploring Data

      • فرکانس های محاسباتی Computing frequencies

      • محاسبه آمار توصیفی Computing descriptive statistics

      • محاسبات همبستگی Computing correlations

      • ایجاد جداول احتمالی Creating contingency tables

      • انجام تجزیه و تحلیل مؤلفه اصلی Conducting a principal component analysis

      • انجام تجزیه و تحلیل مورد Conducting an item analysis

      • انجام یک تحلیل عاملی تأییدی Conducting a confirmatory factor analysis

      3. تجزیه و تحلیل داده ها 3. Analyzing Data

      • مقایسه نسبت ها Comparing proportions

      • مقایسه میانگین با جمعیت: آزمون t-one-sample Comparing one mean to a population: One-sample t-test

      • مقایسه میانگین زوجی: آزمون t نمونه های زوجی Comparing paired means: Paired samples t-test

      • مقایسه دو معنی: آزمون t نمونه های مستقل Comparing two means: Independent samples t-test

      • مقایسه چند معنی: تجزیه و تحلیل واریانس یک عاملی Comparing multiple means: One-factor analysis of variance

      • مقایسه ابزار با پیش بینی های طبقه ای مختلف: تجزیه و تحلیل واریانس واریانس Comparing means with multiple categorical predictors: Factorial analysis of variance

      4- پیش بینی نتایج 4. Predicting Outcomes

      • پیش بینی نتایج با رگرسیون خطی Predicting outcomes with linear regression

      • پیش بینی نتایج با رگرسیون لاسو Predicting outcomes with lasso regression

      • پیش بینی نتایج با رگرسیون کمی Predicting outcomes with quantile regression

      • پیش بینی نتایج با رگرسیون لجستیک Predicting outcomes with logistic regression

      • پیش بینی نتایج با پواسون یا رگرسیون خطی Predicting outcomes with Poisson or log-linear regression

      • ارزیابی پیش بینی ها با مدل های ورودی مسدود شده Assessing predictions with blocked-entry models

      5- موارد خوشه بندی و طبقه بندی 5. Clustering and Classifying Cases

      • گروه بندی موارد با خوشه بندی سلسله مراتبی Grouping cases with hierarchical clustering

      • گروه بندی موارد با خوشه بندی k به معنی Grouping cases with k-means clustering

      • طبقه بندی موارد با نزدیکترین همسایگان k Classifying cases with k-nearest neighbors

      • طبقه بندی موارد با تجزیه و تحلیل درخت تصمیم گیری Classifying cases with decision tree analysis

      • ایجاد مدلهای گروه با طبقه بندی جنگل تصادفی Creating ensemble models with random forest classification

      نتیجه Conclusion

      • مراحل بعدی Next steps

      نمایش نظرات

      R آموزش قسمت 2: مدل سازی داده ها
      جزییات دوره
      3h 59m
      28
      Linkedin (لینکدین) Linkedin (لینکدین)
      (آخرین آپدیت)
      923
      - 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

      Barton Poulson Barton Poulson

      پروفسور، طراح، کارشناس تجزیه و تحلیل داده

      بارتون پولسون یک پروفسور، طراح و متخصص تجزیه و تحلیل داده ها است.

      بارتون در بسیاری از کارهای خود پلی از تحلیل و زیبایی شناسی کرده است. زندگی، با سابقه طراحی صنعتی، دکتری. در روانشناسی اجتماعی و شخصیت، و عشق عمیق به تجزیه و تحلیل داده ها و تجسم داده ها و همچنین هنرهای تجسمی و نمایشی. بارت دانشیار روانشناسی در دانشگاه یوتا ولی است و در دانشگاه بریگام یانگ، دانشگاه یوتا و دانشگاه سیتی نیویورک تحصیل کرده است. او در نقش خود به عنوان معلم تحقیق و تحلیل، صدها مطالعه را با دانشجویان خود در مورد موضوعاتی از هویت اجتماعی و آرزوها تا ترجیحات ضمنی برای شعر و معماری انجام داده است. بارت و همسرش، ژاک لین بل، یک طراح رقص مدرن، با سه فرزند خود در شهر زیبای سالت لیک زندگی می کنند.