لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات