آموزش یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی

Machine Learning & AI Foundations: Linear Regression

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

داشتن درک کامل از رگرسیون خطی - روشی برای مدل‌سازی رابطه بین یک متغیر وابسته و یک به چندین متغیر دیگر - می‌تواند به شما در حل بسیاری از مسائل دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریباً هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهم ترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را نشان می دهد. در طول دوره، مربی کیت مک کورمیک از آمار IBM SPSS استفاده می کند و در هر مفهوم قدم می زند، بنابراین مقداری قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تاکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت اضافی را خواهند داشت که تقریباً در معرض هر ویژگی رگرسیون در SPSS قرار می گیرند.

کیت رگرسیون خطی ساده را پوشش می‌دهد و نحوه ایجاد نمودارهای پراکندگی مؤثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می‌دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه می پردازد و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او چند جایگزین برای رگرسیون، از جمله درختان رگرسیون و پیش بینی سری های زمانی را مورد بحث قرار می دهد.


سرفصل ها و درس ها

معرفی Introduction

  • آنچه شما باید بدانید What you should know

  • با استفاده از فایل های تمرین Using the exercise files

  • رگرسیون خطی برای یادگیری ماشین Linear regression for machine learning

1. رگرسیون خطی ساده 1. Simple Linear Regression

  • محاسبه و تفسیر ضرایب رگرسیون Calculating and interpreting regression coefficients

  • باقیمانده ها و R2 Residuals and R2

  • افزودن برچسب ها و سنبله ها به طرح پراکندگی Adding labels and spikes to a scatter plot

  • ساخت قطعات پراکندگی موثر در نمودار ساز Building effective scatter plots in Chart Builder

  • یک طرح پراکندگی سه بعدی ایجاد کنید Create a 3D scatter plot

  • یک نمودار حباب ایجاد کنید Create a bubble chart

2. مقدمه ای بر رگرسیون خطی چندگانه 2. Introduction to Multiple Linear Regression

  • بررسی مفروضات: خلاصه Checking assumptions: Summary

  • بررسی مفروضات بصری Checking assumptions visually

  • چالش ها و مفروضات رگرسیون چندگانه Challenges and assumptions of multiple regression

  • بررسی مفروضات: آزمون لوین Checking assumptions: Levine's test

  • بررسی مفروضات: دوربین-واتسون Checking assumptions: Durbin-Watson

  • بررسی فرضیات با کاوش Checking assumptions with Explore

  • بررسی مفروضات: نمودار باقیمانده ها Checking assumptions: Residuals plot

  • بررسی مفروضات: ماتریس همبستگی Checking assumptions: Correlation matrix

3. کد ساختگی و شرایط تعامل 3. Dummy Code and Interaction Terms

  • تشخیص فعل و انفعالات متغیر Detecting variable interactions

  • کدنویسی ساختگی با پسوند R Dummy coding with the R extension

  • ایجاد کدهای ساختگی Creating dummy codes

  • ایجاد و آزمایش اصطلاحات تعامل Creating and testing interaction terms

4. سه استراتژی رگرسیون 4. Three Regression Strategies

  • درک همبستگی قطعات Understanding part correlations

  • تجسم همبستگی های جزئی و جزئی Visualizing part and partial correlations

  • رگرسیون گام به گام: تنظیم تجزیه و تحلیل Stepwise regression: Setting up the analysis

  • رگرسیون همزمان: تفسیر خروجی Simultaneous regression: Interpreting the output

  • رگرسیون همزمان: تنظیم تجزیه و تحلیل Simultaneous regression: Setting up the analysis

  • رگرسیون گام به گام: تفسیر خروجی Stepwise regression: Interpreting the output

  • ایجاد پارتیشن Train-Test در SPSS Creating a train-test partition in SPSS

  • رگرسیون سلسله مراتبی: تفسیر خروجی Hierarchical regression: Interpreting the output

  • رگرسیون سلسله مراتبی: تنظیم تجزیه و تحلیل Hierarchical regression: Setting up the analysis

  • سه استراتژی رگرسیون و زمان استفاده از آنها Three regression strategies and when to use them

  • درک همبستگی های جزئی Understanding partial correlations

5. تشخیص مشکلات و انجام اقدامات اصلاحی 5. Spotting Problems and Taking Corrective Action

  • تشخیص نقاط پرت و تاثیرگذار Diagnosing outliers and influential points

  • برخورد با چند خطی: IV ها را به صورت دستی ترکیب کنید Dealing with multicollinearity: Manually combine IVs

  • برخورد با چند خطی: تحلیل عاملی/PCA Dealing with multicollinearity: Factor analysis/PCA

  • برخورد با موارد پرت: باقیمانده های حذف شده دانشجویی Dealing with outliers: Studentized deleted residuals

  • تشخیص خطی Collinearity diagnostics

  • برخورد با موارد پرت: آیا موارد باید حذف شوند؟ Dealing with outliers: Should cases be removed?

  • تشخیص منحنی بودن Detecting curvilinearity

6. رویکردهای دیگر به رگرسیون 6. Other Approaches to Regression

  • رگرسیون لجستیک Logistic regression

  • مقایسه رگرسیون با شبکه های عصبی Comparing regression to Neural Nets

  • رگرسیون طبقه ای با مقیاس بندی بهینه Categorical regression with optimal scaling

  • SEM SEM

  • گزینه های رگرسیون Regression options

  • پیش بینی سری های زمانی Time series forecasting

  • مدلسازی خطی خودکار Automatic linear modeling

  • درختان رگرسیون Regression trees

7. جایگزین های پیشرفته با استفاده از Extension Hub 7. Advanced Alternatives Using the Extension Hub

  • رگرسیون ریج Ridge regression

  • توری کمند و کش Lasso and elastic net

  • هاب افزونه چیست؟ What is the extension hub?

نتیجه Conclusion

  • بعدش چی What's next

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی
جزییات دوره
4h 5m
51
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
59,402
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Keith McCormick Keith McCormick

داده کاو ، مربی ، سخنران ، نویسنده کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.

کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.