لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش رگرسیون خطی
- آخرین آپدیت
دانلود Linear Regression
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره برای افرادی که دارای پیشزمینه فنی در ریاضیات، آمار، علوم کامپیوتر یا مهندسی هستند و قصد تغییر مسیر شغلی به سمت مشاغل یا صنایعی دادهمحور مانند امور مالی، خردهفروشی، فناوری، بهداشت و درمان، دولت و بسیاری دیگر را دارند، بسیار مناسب است. فرصتهای شغلی در این مسیر بیپایان است.
این دوره بخشی از دورههای پذیرش مبتنی بر عملکرد برای برنامه علوم داده (Data Science) است.
تمرکز این دوره بر آشنایی شما با ایدههای بنیادی رگرسیون است و نمایی کلی از تکنیکهای پایه در رگرسیون مانند رگرسیون خطی ساده و چندگانه و همچنین استفاده از متغیرهای طبقهبندیشده (Categorical Variables) را ارائه میدهد.
نرمافزارهای مورد نیاز: R
پس از اتمام موفقیتآمیز این دوره، شما قادر خواهید بود:
- مفروضات مدلهای رگرسیون خطی را شرح دهید.
- تخمینگرهای کمترین مربعات را با استفاده از R محاسبه کنید.
- ویژگیهای تخمینگرهای کمترین مربعات را توصیف کنید.
- از نرمافزار R برای برازش یک مدل رگرسیون خطی روی یک مجموعه داده استفاده کنید.
- مدل رگرسیون خطی را تفسیر کرده و از آن نتیجهگیری کنید.
- از R برای انجام استنباط آماری بر اساس مدلهای رگرسیون استفاده کنید.
سرفصل ها و درس ها
پودمان ۱: رگرسیون خطی ساده
Module 1: Simple linear regression
خوشآمدگویی مدرس و معرفی کلی دوره
Instructor Welcome and Course Overview
مقدمه پودمان ۱
Module 1 Introduction
ویدیو ۱: مقدمهای بر رگرسیون خطی ساده
Video 1 - Simple Linear Regression Introduction
ویدیو ۲: روش کمترین مربعات
Video 2 - Least Squares Method
ویدیو ۳: آشنایی با R
Video 3 -R
نحوه استفاده از R در کورسرا
How to Use R in Coursera
ویدیو ۴: ویژگیهای تخمینگرهای کمترین مربعات (بخش ۱ از ۲)
Video 4 - Properties of the Least Squares Estimators Part 1 of 2
ویدیو ۴: ویژگیهای تخمینگرهای کمترین مربعات (بخش ۲ از ۲)
Video 4 - Properties of the Least Squares Estimators Part 2 of 2
ویدیو ۵: بخش ۱ از ۳
Video 5 - Part 1 of 3
ویدیو ۵: بخش ۲ از ۳
Video 5 - Part 2 of 3
ویدیو ۵: بخش ۳ از ۳
Video 5 - Part 3 of 3
ویدیو ۶: بخش ۱ از ۲
Video 6 - Part 1 of 2
ویدیو ۶: بخش ۲ از ۲
Video 6 - Part 2 of 2
ویدیو ۷: بخش ۱ از ۲
Video 7 - 1 of 2
ویدیو ۷: بخش ۲ از ۲
Video 7 - Part 2 of 2
پودمان ۲: رگرسیون خطی چندگانه
Module 2: Multiple Linear Regression
مقدمه پودمان ۲
Module 2 Introduction
ویدیو ۸: مقدمهای بر رگرسیون خطی چندگانه (MLR)
Video 8 - MLR Intro
ویدیو ۹: روش کمترین مربعات در MLR
Video 9 - MLR Least Squares Method
ویدیو ۱۰: ویژگیهای تخمینگرهای LS در MLR (بخش ۱ از ۳)
Video 10 - MLR Properties of LS Estimators Part 1 of 3
ویدیو ۱۰: ویژگیهای تخمینگرهای LS در MLR (بخش ۲ از ۳)
Video 10 - MLR Properties of LS Estimators Part 2 of 3
ویدیو ۱۰: ویژگیهای تخمینگرهای LS در MLR (بخش ۳ از ۳)
Video 10 - MLR Properties of LS Estimators Part 3 of 3
پودمان ۳: مدلهای رگرسیون با پیشبینهای کیفی
Module 3: Regression Models with Qualitative Predictors
مقدمه پودمان ۳
Module 3 Introduction
ویدیو ۱۱: استنباط در رگرسیون خطی چندگانه (بخش ۱ از ۵)
Video 11 - Inference in Multiple Linear Regression Part 1 of 5
ویدیو ۱۱: استنباط در رگرسیون خطی چندگانه (بخش ۲ از ۵)
Video 11 - Inference in Multiple Linear Regression Part 2 of 5
ویدیو ۱۱: استنباط در رگرسیون خطی چندگانه (بخش ۳ از ۵)
Video 11 - Inference in Multiple Linear Regression Part 3 of 5
ویدیو ۱۱: استنباط در رگرسیون خطی چندگانه (بخش ۴ از ۵)
Video 11 - Inference in Multiple Linear Regression Part 4 of 5
ویدیو ۱۱: استنباط در رگرسیون خطی چندگانه (بخش ۵ از ۵)
Video 11 - Inference in Multiple Linear Regression Part 5 of 5
ویدیو ۱۲: مفاهیم کلی متغیرهای طبقهبندیشده به عنوان پیشبین (بخش ۱ از ۲)
Video 12 - General Concepts on Categorical Variables as Predictors Part 1 of 2
ویدیو ۱۲: مفاهیم کلی متغیرهای طبقهبندیشده به عنوان پیشبین (بخش ۲ از ۲)
Video 12 - General Concepts on Categorical Variables as Predictors Part 2 of 2
ویدیو ۱۳: پیشبین کیفی با دو یا چند کلاس (بخش ۱ از ۳)
Video 13 - Qualitative Predictor with Two or More Classes 1 of 3
ویدیو ۱۳: پیشبین کیفی با دو یا چند کلاس (بخش ۲ از ۳)
Video 13 - Qualitative Predictor with Two or More Classes 2 of 3
ویدیو ۱۳: پیشبین کیفی با دو یا چند کلاس (بخش ۳ از ۳)
Video 13 - Qualitative Predictor with Two or More Classes 3 of 3
نمایش نظرات