آموزش تحلیل سبد بازار و تجزیه و تحلیل تشخیصی خطی با R

Market Basket Analysis & Linear Discriminant Analysis with R

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: کارشناسی ارشد: قوانین انجمن (MBA) و استفاده از آن، تجزیه و تحلیل تشخیص خطی (LDA) برای طبقه بندی و انتخاب متغیر. قوانین انجمن چگونه کار می کند؟ چگونه با استفاده از Excel & R تجزیه و تحلیل سبد بازار انجام دهیم آنالیز تشخیص خطی چیست؟ چگونه با استفاده از R آنالیز تفکیک خطی انجام دهیم؟ چگونه هر جزء از خروجی تجزیه و تحلیل تفکیک خطی را درک کنیم؟ استفاده عملی از تجزیه و تحلیل تفکیک خطی پیش نیازها: درک اولیه استودیو R و R درک پایه آمار به عنوان درس مستلزم دانش رگرسیون خطی، واریانس و غیره است.

      این دوره دارای دو بخش است. در بخش 1 قوانین انجمن (تحلیل سبد بازار) توضیح داده شده است. در بخش 2، تجزیه و تحلیل تشخیص خطی (LDA) توضیح داده شده است. L

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

      جزئیات قسمت 1 - قوانین انجمن/تحلیل سبد بازار (MBA)

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

      • تجزیه و تحلیل سبد بازار (MBA) یا قوانین انجمن چیست
      • استفاده از قوانین انجمن - چگونه می توان آن را در شرایط مختلف اعمال کرد
      • یک قانون انجمن چگونه به نظر می رسد؟
      • قوت یک قانون مرتبط - 
        1. معیار پشتیبانی
        2. معیار اعتماد
        3. اندازه گیری بالابر
      • الگوریتم پایه برای استخراج قوانین
      • نمایش الگوریتم پایه برای استخراج قوانین - بحث در مورد الگوریتم اول وسعت و الگوریتم اول عمق
      • نسخه ی نمایشی با استفاده از R - دو مثال
      • تکلیف برای تقویت مفاهیم

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

      جزئیات قسمت 2 - خطی  (تحلیل سبد بازار)

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

      • نیاز به مدل طبقه بندی
      • هدف از تشخیص خطی
      • مورد استفاده برای طبقه بندی
      • تعریف رسمی LDA
      • قابلیت کاربرد تکنیک های تجزیه و تحلیل
      • دو استفاده از LDA 
        1. LDA برای انتخاب متغیر
        2. نسخه نمایشی استفاده از LDA برای انتخاب متغیر
        3. دومین استفاده از LDA - LDA برای طبقه بندی
      • جزئیات دومین کاربرد عملی LDA
        1. درک سه جزء مهم برای درک درست LDA
        2. اولین پیچیدگی LDA - اندازه گیری فاصله: فاصله اقلیدسی
        3. اولین پیچیدگی LDA - اندازه گیری فاصله افزایش یافته : فاصله Mahalanobis
        4. پیچیدگی دوم LDA - تابع تشخیص خطی
        5. پیچیدگی سوم LDA - احتمال پسین/قضیه بیز
      • نمایش LDA با استفاده از R
        1. همراه با رویکرد جک چاقوی
        2. شیرجه عمیق به خروجی LDA
        3. تجسم عملیات LDA
        4. آمار نمودار LDA را درک کنید
      • LDA در مقابل PCA در کنار هم
      • نسخه نمایشی LDA برای بیش از دو کلاس: درک
        1. تجسم داده
        2. توسعه مدل
        3. اعتبارسنجی مدل در مجموعه داده قطار و مجموعه داده های آزمایشی
      • استفاده در صنعت از الگوریتم طبقه بندی
      • رسیدگی به موارد خاص در LDA

      سرفصل ها و درس ها

      بخش 1 - قوانین انجمن (تحلیل سبد بازار) Part 1 - Association Rules (Market Basket Analysis)

      • نمای کلی بخش Section Overview

      • چگونه این دوره را مطالعه کنیم؟ How to study this course?

      • تجزیه و تحلیل سبد بازار (MBA)/قوانین انجمن چیست؟ What is Market Basket Analysis (MBA) / Association rules ?

      • استفاده از قوانین انجمن Usage of Association Rules

      • یک قانون انجمن چگونه به نظر می رسد؟ How does an association rule look like?

      • قدرت یک قانون تداعی - اندازه گیری حمایت Strength of an association rule - Support measure

      • قوت یک قانون تداعی - معیار اعتماد Strength of an association rule - Confidence measure

      • قدرت یک قانون تداعی - اندازه گیری بالابر Strength of an association rule - Lift measure

      • الگوریتم پایه برای استخراج قوانین Basic Algorithm to derive rules

      بخش 1- دمو ​​و مسابقه قوانین انجمن Part 1- Association rules demo & quiz

      • نمایش الگوریتم پایه برای استخراج قوانین (BFS و DFS) Demo of Basic Algorithm to derive rules (BFS and DFS)

      • نسخه ی نمایشی با استفاده از R در داده های تراکنش میوه Demo Using R on Fruit transaction data

      • نسخه ی نمایشی استفاده از R در داده های تراکنش دیگر Demo Using R on another transaction data

      • یادگیری - تکلیف خود را امتحان کنید Try your learning - assignment

      • یادگیری خود را دوباره مرور کنید Revisit your learning

      • راه حل تکلیف Assignment solution

      بخش 2 - تحلیل تشخیصی خطی (LDA) Part 2 - Linear Discriminant Analysis (LDA)

      • نمای کلی بخش Section Overview

      • نیاز به مدل طبقه بندی Need of a classification model

      • هدف از تشخیص دهنده های خطی Purpose of Linear Discriminants

      • موردی برای طبقه بندی A case for classification

      • تعریف رسمی LDA Formal definition of LDA

      • قابلیت کاربرد تکنیک های تجزیه و تحلیل Analytics techniques applicability

      • اولین استفاده عملی از LDA - LDA برای انتخاب متغیر First practical use of LDA - LDA for Variable Selection

      • نسخه ی نمایشی استفاده از LDA برای انتخاب متغیر Demo of using LDA for Variable Selection

      بخش 2: دومین کاربرد عملی LDA - LDA برای طبقه بندی Part 2 : Second practical usage of LDA - LDA for classification

      • درک بصری LDA برای طبقه بندی Intuitive Understanding of LDA for classification

      • پیچیدگی اول: محاسبه فاصله - فاصله اقلیدسی First complexity : distance calculation - Euclidean distance

      • پیچیدگی اول: محاسبه فاصله (افزایش یافته) - فاصله ماهالانوبیس 01 First complexity : distance calculation (enhanced) - Mahalanobis distance 01

      • پیچیدگی اول: محاسبه فاصله (افزایش یافته) - فاصله ماهالانوبیس 02 First complexity : distance calculation (enhanced) - Mahalanobis distance 02

      • پیچیدگی دوم: تابع تشخیص خطی Second complexity : Linear Discriminant Function

      • پیچیدگی سوم: احتمال پسین (قضیه بیز) Third complexity : Posterior Probability (Bays Theorem)

      • نسخه ی نمایشی LDA با استفاده از R قسمت 01 Demo of LDA using R part 01

      • نسخه ی نمایشی LDA با استفاده از R قسمت 02 Demo of LDA using R part 02

      • LDA در مقابل PCA در کنار یکدیگر LDA vs PCA side by side

      • نسخه ی نمایشی LDA برای بیش از دو کلاس - قسمت 01 Demo of LDA for more than two classes - part 01

      • نسخه ی نمایشی LDA برای بیش از دو کلاس - قسمت 02 Demo of LDA for more than two classes - part 02

      • استفاده صنعتی از LDA Industrial usage of LDA

      • رسیدگی به موارد خاص (نمونه مغرضانه/طبقه بندی نادرست افتراقی) در LDA Handling Special Cases (biased sample / differential misclassification) in LDA

      • یادگیری خود از LDA را دوباره مرور کنید Revisit your learning of LDA

      • یادگیری خود از LDA - 02 را دوباره مرور کنید Revisit your learning of LDA - 02

      • یادداشت پایانی Closing Note

      نمایش نظرات

      آموزش تحلیل سبد بازار و تجزیه و تحلیل تشخیصی خطی با R
      جزییات دوره
      3.5 hours
      36
      Udemy (یودمی) Udemy (یودمی)
      (آخرین آپدیت)
      365
      4.4 از 5
      دارد
      دارد
      دارد
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Gopal Prasad Malakar Gopal Prasad Malakar

      تمرینات صنعت را در زمینه علوم داده / یادگیری ماشین آموزش می دهد من یک متخصص تجربی در زمینه تجزیه و تحلیل با 18+ سال تجربه حرفه ای هستم. من تجربه صنعت تجزیه و تحلیل تأثیرگذار و عملی ، علم داده ، استراتژی تصمیم گیری و استراتژی داده های هوشمند شرکت را دارم. من یک مربی مشتاق هستم ، که معتقد است آموزش همه چیز در مورد درک کاربران از مفاهیم است. اگر دانش آموزان بعد از آموزش گیج بمانند ، آموزش بی فایده است. من اطمینان می دهم که بعد از آموزش من ، دانش آموزان (یا شرکت کنندگان) کاملاً روشنی در مورد چگونگی استفاده از یادگیری در سناریوهای تجاری خود دارند. تخصص من در زمینه تجارت کارت اعتباری ، امتیازدهی (توسعه مدل مبتنی بر اقتصاد سنجی) ، مدیریت نمره ، پیش بینی ضرر ، سیستم های هوش تجاری مانند تابلو / SAS تجزیه و تحلیل تجزیه و تحلیل ، توسعه برنامه پایگاه داده مبتنی بر دسترسی MS ، چارچوب داده های بزرگ بزرگ و تجزیه و تحلیل جریان است. لطفا به دوره من مراجعه کنید برای - جزئیات برنامه SAS / R (نحو و گزینه ها)