یادگیری ماشینی 101 با Scikit-learn و StatsModels [ویدئو]

سرفصل ها و درس ها

معرفی Introduction

• دوره شامل چه مواردی است؟ What Does the Course Cover?

راه اندازی محیط کار Setting Up the Working Environment

• تنظیم محیط - مقدمه (لطفاً از آن نگذرید)! Setting Up the Environment - An Introduction (Do Not Skip, Please)!

• چرا پایتون و چرا ژوپیتر؟ Why Python and Why Jupyter?

• نصب آناکوندا Installing Anaconda

• داشبورد Jupyter - قسمت 1 The Jupyter Dashboard - Part 1

• داشبورد Jupyter - قسمت 2 The Jupyter Dashboard - Part 2

• نصب اسکلرن Installing sklearn

رگرسیون خطی با StatsModels Linear Regression with StatsModels

• مقدمه ای بر تحلیل رگرسیون Introduction to Regression Analysis

• مدل رگرسیون خطی The Linear Regression Model

• همبستگی در مقابل رگرسیون Correlation vs Regression

• نمایش هندسی Geometrical Representation

• نصب بسته های پایتون Python Packages Installation

• رگرسیون خطی ساده در پایتون Simple Linear Regression in Python

• Seaborn چیست؟ What is Seaborn?

• جدول رگرسیون خلاصه StatsModels به ما چه می گوید؟ What Does the StatsModels Summary Regression Table Tell us?

• SST، SSR و SSE SST, SSR, and SSE

• حداقل مربعات معمولی (OLS) The Ordinary Least Squares (OLS)

• Good of Fit: The R-Squared Goodness of Fit: The R-Squared

• مدل رگرسیون خطی چندگانه The Multiple Linear Regression Model

• R-Squared تنظیم شده است Adjusted R-Squared

• F-Statistic و F-Test برای یک رگرسیون خطی F-Statistic and F-Test for a Linear Regression

• مفروضات چارچوب OLS Assumptions of the OLS Framework

• A1: خطی بودن A1: Linearity

• A2: بدون درون زایی A2: No Endogeneity

• A3: نرمال بودن و همسانی A3: Normality and Homoscedasticity

• A4: بدون خود همبستگی A4: No Autocorrelation

• A5: بدون چند خطی A5: No Multicollinearity

• برخورد با داده های طبقه بندی شده Dealing with Categorical Data

• پیشگویی Making Predictions

رگرسیون خطی با Sklearn Linear Regression with Sklearn

• اسکلرن چیست؟ What is sklearn?

• برنامه بازی برای sklearn Game Plan for sklearn

• رگرسیون خطی ساده با sklearn Simple Linear Regression with sklearn

• رگرسیون خطی ساده با sklearn - جدول خلاصه Simple Linear Regression with sklearn - Summary Table

• رگرسیون خطی چندگانه با sklearn Multiple Linear Regression with sklearn

• R-Squared تنظیم شده است Adjusted R-Squared

• انتخاب ویژگی از طریق مقادیر p (رگرسیون F) Feature Selection through p-values (F-regression)

• ایجاد یک جدول خلاصه با مقادیر p Creating a Summary Table with the p-values

• مقیاس بندی ویژگی ها Feature Scaling

• انتخاب ویژگی از طریق استانداردسازی Feature Selection through Standardization

• پیش بینی با ضرایب استاندارد شده Making Predictions with Standardized Coefficients

• کم تناسب و بیش از حد Underfitting and Overfitting

• آموزش و تست Training and Testing

رگرسیون خطی - مثال عملی Linear Regression - Practical Example

• مثال عملی (قسمت 1) Practical Example (Part 1)

• مثال عملی (قسمت 2) Practical Example (Part 2)

• مثال عملی (قسمت 3) Practical Example (Part 3)

• مثال عملی (قسمت 4) Practical Example (Part 4)

• مثال عملی (قسمت 5) Practical Example (Part 5)

رگرسیون لجستیک Logistic Regression

• مقدمه ای بر رگرسیون لجستیک Introduction to Logistic Regression

• یک مثال ساده از رگرسیون لجستیک در پایتون A Simple Example of a Logistic Regression in Python

• تفاوت بین یک تابع لجستیک و یک تابع Logit چیست؟ What is the Difference Between a Logistic and a Logit Function?

• اولین رگرسیون لجستیک شما Your First Logistic Regression

• نکته کدنویسی (اختیاری) A Coding Tip (optional)

• مرور جدول خلاصه رگرسیون Going through the Regression Summary Table

• تفسیر نسبت شانس Interpreting the Odds Ratio

• آدمک ها در یک رگرسیون لجستیک Dummies in a Logistic Regression

• ارزیابی دقت یک مدل طبقه بندی Assessing the Accuracy of a Classification Model

• کم تناسب و بیش از حد Underfitting and Overfitting

• آزمایش مدل ما و ایجاد یک ماتریس سردرگمی Testing our Model and Bulding a Confusion Matrix

آنالیز خوشه ای Cluster Analysis

• مقدمه ای بر تحلیل خوشه ای Introduction to Cluster Analysis

• نمونه هایی از خوشه بندی Examples of Clustering

• طبقه بندی در مقابل خوشه بندی Classification vs Clustering

• مفاهیم ریاضی مورد نیاز برای ادامه Math Concepts Needed to Proceed

• K-Means Clustering K-Means Clustering

• یک مثال عملی از K-Means A Hands-on Example of K-Means

• داده های طبقه بندی شده در تحلیل خوشه ای Categorical Data in Cluster Analysis

• روش آرنج یا نحوه انتخاب تعداد خوشه ها The Elbow Method or How to Choose the Number of Clusters

• مزایا و معایب K-Means Pros and Cons of K-Means

• استاندارد کردن ویژگی ها هنگام خوشه بندی Standardization of Features when Clustering

• تجزیه و تحلیل خوشه ای و تحلیل رگرسیون Cluster Analysis and Regression Analysis

• مثال عملی: تقسیم بندی بازار (قسمت 1) Practical Example: Market Segmentation (Part 1)

• مثال عملی: تقسیم بندی بازار (قسمت 2) Practical Example: Market Segmentation (Part 2)

• با تجزیه و تحلیل خوشه ای چه کاری می توان انجام داد؟ What Can be Done with Cluster Analysis?

تجزیه و تحلیل خوشه ای: موضوعات اضافی Cluster Analysis: Additional Topics

• انواع دیگر خوشه بندی Other Types of Clustering

• دندروگرام The Dendrogram

• نقشه های حرارتی Heatmaps