آموزش مدلسازی پیش‌بینانه با پایتون: پیاده‌سازی و ارزیابی - آخرین آپدیت

مبانی مدل‌سازی پیش‌بینانه Foundations of Predictive Modeling

• مقدمه‌ای بر مدل‌سازی پیش‌بینانه با پایتون Introduction to Predictive Modelling with Python

• نصب ابزارها Installation

• پیش‌پردازش داده‌ها Data Preproccessing

• کار با دیتافریم Dataframe

• جایگذاری مقادیر گم‌شده (Imputer) Imputer

• ساخت متغیرهای Dummy Create Dumies

• تقسیم مجموعه‌داده Splitting Dataset

• مقیاس‌بندی ویژگی‌ها Features Scaling

• مقدمه‌ای بر رگرسیون خطی Introduction to Linear Regression

• مدل رگرسیون تخمینی Estimated Regression Model

• وارد کردن کتابخانه‌ها Import the Library

• رسم نمودار Plot

• مثال انعام (Tip Example) Tip Example

• تابع چاپ (Print) Print Function

• معرفی مجموعه‌داده حقوق (Salary) Introduction to Salary Dataset

تسلط بر رگرسیون خطی Mastering Linear Regression

• برازش رگرسیون خطی Fitting Linear Regression

• ادامه برازش رگرسیون خطی Fitting Linear Regression Continue

• پیش‌بینی از طریق مدل Prediction from the Model

• ادامه پیش‌بینی از طریق مدل Prediction from the Model Continue

• مقدمه‌ای بر رگرسیون خطی چندگانه Introduction to Multiple Linear Regression

• ساخت متغیرهای Dummy Creating Dummies

• حذف یک متغیر Dummy و تقسیم داده‌ها Removing one Dummy and Splitting Dataset

• مجموعه آموزش و پیش‌بینی‌ها Training Set and Predictions

• استفاده از Stats Models برای ساخت مدل بهینه Stats Models to Make Optimal Model

• مراحل ساخت مدل بهینه Steps to Make Optimal Model

• ساخت مدل بهینه با روش حذف رو به عقب Making Optimal Model by Backward Elimination

• R-Square تعدیل شده Adjusted R Square

• پیاده‌سازی مدل بهینه نهایی Final Optimal Model Implementation

• معرفی ژوپیتر نوت‌بوک Introduction to Jupyter Notebook

• درک مجموعه‌داده و بیان مسئله Understanding Dataset and Problem Statement

بهبود مدل‌های رگرسیون Enhancing Regression Models

• کار با نمودارهای همبستگی Working with Correlation Plots

• ادامه کار با نمودارهای همبستگی Working with Correlation Plots Continue

• نمودار همبستگی و تقسیم مجموعه‌داده Correlation Plot and Splitting Dataset

• مدل MLR با Sklearn و پیش‌بینی‌ها MLR Model with Sklearn and Predictions

• مدل MLR با Statsmodels و پیش‌بینی‌ها MLR model with Statsmodels and Predictions

• به‌دست آوردن مدل بهینه با رویکرد حذف رو به عقب Getting Optimal model with Backward Elimination Approach

• محاسبه RMSE و تئوری هم‌خطی RMSE Calculation and Multicollinearity Theory

• محاسبه VIF VIF Calculation

• VIF و نمودارهای همبستگی VIF and Correlation Plots

• مقدمه‌ای بر رگرسیون لجستیک Introduction to Logistic Regression

• درک بیان مسئله و تقسیم‌بندی Understanding Problem Statement and Splitting

• مقیاس‌بندی و برازش مدل رگرسیون لجستیک Scaling and Fitting Logistic Regression Model

• پیش‌بینی و مقدمه‌ای بر ماتریس درهم‌ریختگی Prediction and Introduction to Confusion Matrix

• توضیح ماتریس درهم‌ریختگی Confusion Matrix Explanation

• بررسی عملکرد مدل با استفاده از ماتریس درهم‌ریختگی Checking Model Performance using Confusion Matrix

بررسی عمیق رگرسیون لجستیک Logistic Regression in Depth

• درک نمودارها Plots Understanding

• ادامه درک نمودارها Plots Understanding Continue

• مقدمه و پیش‌پردازش داده‌ها Introduction and data Preprocessing

• برازش مدل با کتابخانه Sklearn Fitting Model with Sklearn Library

• برازش مدل با کتابخانه Statmodel Fitting Model with Statmodel Library

• استفاده از پکیج Statsmodel Using Statsmodel Package

• رویکرد حذف رو به عقب Backward Elimination Approach

• ادامه رویکرد حذف رو به عقب Backward Elimination Approach Continue

• توضیحات بیشتر درباره حذف رو به عقب More on Backward Elimination Approach

• مدل نهایی Final Model

• منحنی‌های ROC ROC Curves

• تغییر آستانه (Threshold) Threshold Changing

• پیش‌بینی‌های نهایی Final Predictions

• مقدمه‌ای بر ریسک اعتباری Intro to Credit Risk

• کدگذاری برچسب‌ها (Label Encoding) Label Encoding

مطالعه موردی ریسک اعتباری Credit Risk Case Study

• متغیر جنسیت Gender Variable

• متغیرهای وابستگان و تحصیلات Dependents and Educationvariable

• مدیریت مقادیر گم‌شده در متغیر اشتغال شخصی Missing Values Treatment in Self Employed Variable

• مدیریت داده‌های پرت در متغیر درآمد متقاضی Outliers Treatment in ApplicantIncome Variable

• مقادیر گم‌شده Missing Values

• متغیر منطقه ملک Property Area Variable

• تقسیم داده‌ها Splitting Data

• مدل نهایی و سطح زیر منحنی ROC Final Model and Area under ROC Curve