آموزش جامع تکنیک‌های رگرسیون - آخرین آپدیت

دانلود Understanding Regression Techniques

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مقدمه‌ای بر تحلیل‌های پیش‌بینانه برای دانشمندان داده درک مفهوم رگرسیون ساخت مدل‌های رگرسیون خطی ساخت مدل‌های رگرسیون لجستیک ساخت مدل‌های شمارشی (Count Models) تفسیر نتایج رگرسیون تجسم و بصری‌سازی نتایج تست پیش‌فرض‌های مدل پیش‌نیازها: ندارد

این دوره شامل یک کتاب الکترونیکی و مجموعه‌ای از اسلایدهای آموزشی است. هدف از این دوره، آشنایی دانشجویان با تکنیک‌های رگرسیون است. مباحث این دوره شامل رگرسیون خطی، رگرسیون لجستیک و رگرسیون مدل‌های شمارشی است. تئوری پشت هر یک از این سه تکنیک به روشی شهودی و غیرریاضی توضیح داده شده است. دانشجویان خواهند آموخت که چه زمانی از هر یک از این سه تکنیک استفاده کنند، چگونه پیش‌فرض‌ها را آزمایش کنند، چگونه مدل‌ها را بسازند، چگونه برازش مدل (Goodness-of-fit) را ارزیابی کنند و نتایج را چگونه تفسیر نمایند. این دوره پیش‌نیاز استفاده از نرم‌افزار آماری خاصی را ندارد؛ بنابراین برای هر کسی که قصد دارد تکنیک‌های رگرسیون را فارغ از نرم‌افزار مورد استفاده‌اش به کار ببرد، مفید خواهد بود. همچنین، این دوره دانشجویان را از طریق سه مورد مطالعاتی (Case Study) مفصل راهنمایی می‌کند.


سرفصل ها و درس ها

رگرسیون خطی ساده Simple Linear Regression

  • مقدمه Introduction

  • رگرسیون خطی ساده Simple linear regression

  • شیب خط The slope

  • ضریب تعیین (R squared) R-squared

  • مقدار p-value The p-value

  • برازش مدل Model fit

  • باقیمانده‌ها The residuals

رگرسیون خطی چندگانه Multiple linear regression

  • رگرسیون خطی چندگانه Multiple linear regression

  • شیب‌های خط The slopes

  • ضریب تعیین (R squared) R-squared

  • مقدار p-value The p-value

  • برازش مدل و باقیمانده‌ها Model fit and residuals

رگرسیون خطی: متغیرهای باینری، طبقه‌ای و درجه دوم Linear Regression: Binary, Categorical, and Quadratic Variables

  • متغیرهای باینری Binary variables

  • متغیرهای طبقه‌ای Categrical variables

  • متغیرهای درجه دوم Quadratic variables

رگرسیون خطی: بررسی برازش مدل و پیش‌فرض‌ها Linear Regression: Checking Model Fit and Assumptions

  • پیش‌بینی Prediction

  • نرمال بودن باقیمانده‌ها Normality of residuals

  • استقلال باقیمانده‌ها Independence of residuals

  • واریانس ثابت Constant variance

  • هم‌خطی چندگانه Multicolinearity

  • داده‌های پرت Outliers

  • مشاهدات اثرگذار Influencial observations

  • الگوریتم‌های انتخاب Selection algorithms

مورد مطالعاتی رگرسیون خطی Linear Regression Case Study

  • مجموعه داده The dataset

  • گنجاندن متغیرهای پیوسته Including continuous variables

  • گنجاندن متغیرهای باینری Including binary variables

  • گنجاندن متغیرهای طبقه‌ای Including categorical variables

  • رگرسیون چندگانه Multiple regression

  • بررسی برازش مدل Checking model fit

  • بررسی پیش‌فرض‌های مدل Checking model assumptions

  • هم‌خطی چندگانه Multicollinearity

  • داده‌های پرت Outliers

  • مشاهدات اثرگذار Influential observations

  • بصری‌سازی نتایج Visualizing the result

رگرسیون لجستیک: جداول توالی Logistic Regression: Contingency Tables

  • جداول دو در دو Two-by-two tables

  • شانس (Odds) The odds

  • نسبت شانس (Odds Ratio) The odds ratio

  • جداول دو در سه Two-by-three tables

مدل‌های رگرسیون لجستیک Logistic Regression Models

  • تک متغیر مستقل Single independent variable

  • مثال‌ها Examples

  • متغیرهای باینری Binary variables

  • چند متغیر مستقل Multiple independent variables

  • متغیرهای طبقه‌ای Categorical variables

  • غیرخطی بودن: تست غیرگرافیکی Nonlinearity: Non-graphical test

  • غیرخطی بودن: تست گرافیکی Nonlinearity: Graphical test

رگرسیون لجستیک: پیش‌بینی و برازش مدل Logistic Regression: Prediction and Model Fit

  • پیش‌بینی Prediction

  • برازش مدل: تست نسبت احتمال Goodness of fit: Likelihood ratio test

  • برازش مدل: تست هوسمر-لمشو Goodness of fit: Hosmer-Lemeshow test

  • برازش مدل: جداول طبقه‌بندی Goodness of fit: Classification tables

  • برازش مدل: تحلیل ROC Goodness of fit: ROC analysis

  • باقیمانده‌ها Residuals

  • مشاهدات اثرگذار Influential Observations

مورد مطالعاتی رگرسیون لجستیک Logistic Regression Case Study

  • مجموعه داده The dataset

  • متغیرهای پیوسته Continuous variables

  • تست خطی بودن: غیرگرافیکی Test of linearity: Non-graphical

  • تست خطی بودن: گرافیکی Test of linearity: Graphical

  • متغیرهای باینری Binary variables

  • متغیرهای طبقه‌ای Categorical variables

  • تحلیل چندمتغیره Multivariate analysis

  • برازش مدل Goodness of fit

  • تحلیل باقیمانده‌ها Residual analysis

  • مشاهدات اثرگذار Influential observations

  • ترکیب باقیمانده‌ها و اثرگذاری در یک نمودار Combining both residuals and influence in one graph

  • بصری‌سازی نتایج Visualizing the result

مدل‌های شمارشی: جداول شمارش Count Models: Count Tables

  • جداول شمارش Count tables

  • ریسک Risk

  • نسبت نرخ بروز Inceidence-rate ratio

  • جداول دو در سه Two-by-three tables

رگرسیون پوآسون Poisson Regression

  • تک متغیر مستقل Single independent variable

  • مثال‌ها Examples

  • متغیرهای باینری Binary variables

  • چند متغیر مستقل Multiple independent variables

  • متغیرهای طبقه‌ای Categorical variables

  • مراضی (Exposure) Exposure

سایر مدل‌های شمارشی Other Count Models

  • رگرسیون دوجمله‌ای منفی Negative binomial regression

  • مدل‌های برش‌خورده (Truncated) Truncated models

  • مدل‌های متورم صفر (Zero Inflated) Zero-inflated models

  • مقایسه مدل‌ها Comparison of models

پیش‌بینی Prediction

  • پیش‌بینی تعداد رویدادها Predicting the number of events

  • پیش‌بینی احتمالات شمارش‌های خاص Predicting probabilities of certain counts

مورد مطالعاتی مدل شمارشی Count Model Case Study

  • مجموعه داده The dataset

  • متغیرهای پیوسته Continuous variables

  • متغیرهای باینری Binary variables

  • تحلیل چندمتغیره Multivariate analysis

  • رگرسیون دوجمله‌ای منفی Negative binomial regression

  • مدل‌های متورم صفر Zero-inflated models

  • مقایسه مدل‌های شمارشی Comparing count models

  • بصری‌سازی نتایج Visualizing the result

جمع‌بندی Conclusion

  • جمع‌بندی Conclusion

نمایش نظرات

آموزش جامع تکنیک‌های رگرسیون
جزییات دوره
7 hours
89
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,653
4.5 از 5
دارد
دارد
دارد
Najib Mozahem
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Najib Mozahem Najib Mozahem

استادیار نجیب مظاهم به عنوان محقق و استادیار در سطح دانشگاه کار می کند ، و در آنجا به تدریس تجزیه و تحلیل کمی می پردازد. وی دارای مدرک لیسانس در رشته مهندسی کامپیوتر و ارتباطات است ، MBA خود را با تمایز به پایان رسانده و دکترای خود را در تئوری سازمانی به اتمام رسانده و در آنجا بهترین جایزه تز را برای دکترای به دست آورد. او همچنین جایزه تعالی تدریس برای سال 2016 - 2017 را دریافت کرده است. علایق تحقیقاتی وی شامل مدل سازی کمی و مطالعه رفتار انسان در سازمان ها است.