کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش رگرسیون خطی، مدل‌های خطی تعمیم‌یافته (GLMs) و مدل‌های تعمیم‌یافته افزایشی (GAMs) با R - آخرین آپدیت

دانلود Linear Regression, GLMs and GAMs with R

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش رگرسیون خطی، مدل‌های خطی تعمیم‌یافته (GLM) و مدل‌های جمعی تعمیم‌یافته (GAM) با R

این دوره آموزشی شما را با چگونگی بسط دادن مفاهیم و محدودیت‌های رگرسیون خطی برای تعریف، مدل‌سازی و تفسیر نتایج مدل‌های خطی تعمیم‌یافته (GLM) و مدل‌های جمعی تعمیم‌یافته (GAM) با استفاده از نرم‌افزار R آشنا می‌کند.

اهداف کلیدی دوره:

  • توسعه رگرسیون خطی: یاد بگیرید چگونه رگرسیون خطی را بسط دهید تا مدل‌های خطی تعمیم‌یافته (GLM) و مدل‌های جمعی تعمیم‌یافته (GAM) را تعریف و تخمین بزنید.

  • مفروضات رگرسیون OLS: با مفروضات رگرسیون خطی حداقل مربعات معمولی (OLS) آشنا شوید.

  • مدل‌سازی خطی با R: مدل‌های خطی (رگرسیون) را با استفاده از R تعریف، تخمین و تفسیر کنید.

  • GLMها: درک کنید که چگونه مفروضات رگرسیون OLS برای تعریف، تخمین و تفسیر مدل‌های خطی تعمیم‌یافته (GLM) تعدیل و منعطف‌تر می‌شوند.

  • GLM با R: مدل‌های خطی تعمیم‌یافته (GLM) را با استفاده از R تعریف، تخمین و تفسیر نمایید.

  • GAMها: مکانیسم‌ها و محدودیت‌های تعریف، تخمین و تفسیر مدل‌های جمعی تعمیم‌یافته (GAM) را درک کنید.

پیش‌نیازها:

دانشجویان نیاز به نصب نرم‌افزار R و R Commander دارند. آموزش‌های لازم برای نصب این نرم‌افزارها به طور کامل ارائه می‌شود.

جزئیات بیشتر دوره:

این دوره با تکیه بر مثال‌های عملی از کتاب "Generalized Additive Models: An Introduction with R" نوشته Simon N. Wood (Chapman & Hall/CRC Texts in Statistical Science, 2006)، به تخمین GLMها و GAMها می‌پردازد. مدل‌های خطی آماری، متغیر پاسخ را به صورت تابعی خطی از متغیرهای پیش‌بین و یک جمله خطای تصادفی با میانگین صفر مدل می‌کنند. فرض خطی بودن یک ویژگی حیاتی و محدودکننده است. مدل‌های خطی تعمیم‌یافته (GLM) این فرض را تعدیل می‌کنند و به مقدار مورد انتظار متغیر پاسخ اجازه می‌دهند تا تابعی هموار (غیرخطی) و یکنواخت از پیش‌بین‌های خطی باشد. GLMها همچنین فرض توزیع نرمال متغیر پاسخ را با پذیرش توزیع‌های متنوع (مانند نرمال، پواسون، دوجمله‌ای، لگ‌خطی و غیره) منعطف می‌سازند.

مدل‌های جمعی تعمیم‌یافته (GAM) توسعه‌ای از GLMها هستند که امکان تخمین ضرایب رگرسیون به شکل هموارکننده‌های غیرپارامتری را فراهم می‌کنند. هموارکننده‌های غیرپارامتری مانند lowess (هموارسازی پراکندگی وزنی محلی) با استفاده از زیرمجموعه‌های موضعی داده‌ها، یک منحنی هموار به داده‌ها برازش می‌دهند. این دوره مروری بر مدل‌سازی GLMها و GAMها با استفاده از R ارائه می‌دهد. GLMها و به خصوص GAMها به متدولوژی‌های آماری استاندارد با انعطاف‌پذیری قابل توجهی تبدیل شده‌اند. در این دوره به رویکردهای جدید در مدل‌سازی، تخمین و تفسیر GAMها پرداخته می‌شود. تمرکز اصلی دوره بر مدل‌سازی و تفسیر GLMها و به ویژه GAMها با R است. استفاده از نرم‌افزار رایگان R، جنبه‌های عملی مدل‌های خطی، خطی تعمیم‌یافته و جمعی تعمیم‌یافته را نشان می‌دهد.

سرفصل ها و درس ها

مقدمه دوره و مدل‌سازی خطی Introduction to Course and to Linear Modeling

  • مقدمه دوره Introduction to Course

  • پیش‌نیازها: نصب R، RStudio، R Commander، مطالب دوره و تمرین Preliminaries: Installing R, RStudio, R Commander, Course Materials and Exercise

  • دستور کار اولیه (اسلایدها) Beginning Agenda (slides)

  • مدل‌سازی خطی چیست؟ (اسلایدها، بخش ۱) What is Linear Modeling? (slides, part 1)

  • مفروضات مدل‌سازی خطی (اسلایدها، بخش ۲) Assumptions of Linear Modeling (slides, part 2)

  • ویژگی‌های مطلوب بتا-هت (اسلایدها، بخش ۳) Desirable Properties of Beta-hat (slides, part 3)

  • مثال: تخمین سن جهان (اسلایدها) Example: Estimate Age of Universe (slides)

  • مثال: تخمین سن جهان زنده در R (بخش ۱) Example: Estimate Age of Universe Live in R (part 1)

  • مثال: تخمین سن جهان زنده در R (بخش ۲) Example: Estimate Age of Universe Live in R (part 2)

  • مثال: تخمین سن جهان (بخش ۳) Example: Estimating Age of the Universe (part 3)

  • پایان مثال و نکات بیشتر در مورد مدل‌سازی خطی Finish Example and More Notes on Linear Modeling

  • تمرین‌های مدل‌سازی خطی Linear Modeling Exercises

مدل‌های خطی تعمیم‌یافته (GLMs) بخش ۱ Generalized Linear Models (GLMs) Part 1

  • مقدمه‌ای بر GLMها (اسلایدها، بخش ۱) Introduction to GLMs (slides, part 1)

  • مقدمه‌ای بر GLMها (اسلایدها، بخش ۲) Introduction to GLMs (slides, part 2)

  • مقدمه‌ای بر GLMها (اسلایدها، بخش ۳) Introduction to GLMs (slides, part 3)

  • مقدمه‌ای بر GLMها (اسلایدها، بخش ۴) Introduction to GLMs (slides, part 4)

  • مثال: مدل دوجمله‌ای (نسبت) با بیماری قلبی (بخش ۱) Example: Binomial (Proportion) Model with Heart Disease (part 1)

  • مثال: مدل دوجمله‌ای (نسبت) با بیماری قلبی (بخش ۲) Example: Binomial (Proportion) Model with Heart Disease (part 2)

  • مثال: مدل دوجمله‌ای (نسبت) با بیماری قلبی (بخش ۳) Example: Binomial (Proportion) Model with Heart Disease (part 3)

  • مثال: مدل دوجمله‌ای (نسبت) با بیماری قلبی (بخش ۴) Example: Binomial (Proportion) Model with Heart Disease (part 4)

  • تمرین‌های GLM GLM Exercises

مدل‌های خطی تعمیم‌یافته بخش ۲ Generalized Linear Models Part 2

  • دستور کار فعلی Current Agenda

  • راه حل تمرین رگرسیون خطی (بخش ۱) Linear Regression Exercise Solutions (part 1)

  • راه حل تمرین رگرسیون خطی (بخش ۲) Linear Regression Exercise Solutions (part 2)

  • راه حل تمرین GLM (بخش ۳) GLM Exercise Solutions (part 3)

  • مثال: مدل پواسون با داده‌های شمارشی (بخش ۱) Example: Poisson Model with Count Data (part 1)

  • مثال: مدل پواسون با داده‌های شمارشی (بخش ۲) Example: Poisson Model with Count Data (part 2)

  • مثال: متغیر پاسخ دودویی (بخش ۱) Example: Binary Response Variable (part 1)

  • مثال: متغیر پاسخ دودویی (بخش ۲) Example: Binary Response Variable (part 2)

  • تمرین: از GLM تا GAM Exercise: GLM to GAM

  • مثال: مدل لگاریتمی خطی برای داده‌های طبقه‌بندی شده Example: Log-Linear Model for Categorical Data

  • نکات بیشتر در مورد انحراف و پراکندگی بیش از حد (اسلایدها) More on Deviance and Overdispersion (slides)

مدل‌های افزایشی تعمیم‌یافته توضیح داده شده Generalized Additive Models Explained

  • GAMها چیستند؟ ( Crawley، اسلایدها، بخش ۱) What are GAMS? (Crawley, slides, part 1)

  • GAMها چیستند؟ ( Crawley، اسلایدها، بخش ۲) What are GAMs? (Crawley, slides, part 2)

  • نمایش داده‌های ازن GAM (بخش ۱) Demonstrate GAM Ozone Data (part 1)

  • نمایش داده‌های ازن GAM (بخش ۲) Demonstrate GAM Ozone Data (part 2)

  • رویکردهای کلی برای برازش GAMها (اسلایدها) General Approaches for Fitting GAMs (slides)

  • GAMها چیستند؟ ( Wood، اسلایدها، بخش ۱) What are GAMs? (Wood, slides, part 1)

  • GAMهای چندمتغیره چندجمله‌ای ( Wood، اسلایدها، بخش ۲) Univariate Polynomial GAMs (Wood, slides, part 2)

  • GAMهای چندمتغیره چندجمله‌ای ( Wood، اسلایدها، بخش ۳) Univariate Polynomial GAMs (Wood, slides, part 3)

  • GAMها به عنوان چندجمله‌ای‌های مرتبه ۴ (اسلایدها، بخش ۱) GAMs as 4th Order Polynomials (slides, part 1)

  • GAMها به عنوان چندجمله‌ای‌های مرتبه ۴ (اسلایدها، بخش ۲) GAMs as 4th Order Polynomials (slides, part 2)

  • GAMها به عنوان Splineهای رگرسیون (اسلایدها) GAMs as Regression Splines (slides)

  • Splineهای مکعبی (اسلایدها، بخش ۱) Cubic Splines (slides, part 1)

  • Splineهای مکعبی (اسلایدها، بخش ۲) Cubic Splines (slides, part 2)

  • تابع ایجاد پایه‌ برای Spline (اسلایدها) Function to Establish Basis for Spline (slides)

  • ساخت یک GAM (اسلایدها، بخش ۱) Build-a-GAM (slides, part 1)

  • ساخت یک GAM (اسلایدها، بخش ۲) Build-a-GAM (slides, part 2)

  • ساخت یک GAM (اسلایدها، بخش ۳) Build-a-GAM (slides, part 3)

  • نمایش ساخت یک GAM در اسکریپت R Build-a-GAM Demonstration in R Script

  • اعتبارسنجی متقابل ساخت GAM Build-a-GAM Cross Validation

  • GAMهای دوبعدی با ۲ متغیر مستقل پیش‌بین (اسلایدها، بخش ۱) Bivariate GAMs with 2 Explanatory Independent Variables (slides, part 1)

  • GAMهای دوبعدی با ۲ متغیر مستقل پیش‌بین (اسلایدها، بخش ۲) Bivariate GAMs with 2 Explanatory Independent Variables (slides, part 2)

  • تمرین‌ها Exercises

مثال‌های دقیق GAM Detailed GAM Examples

  • دستور کار فعلی (اسلایدها) Current Agenda (slides)

  • درختان گیلاس و کنترل دقیق‌تر (اسلایدها، بخش ۱) Cherry Trees and Finer Control (slides, part 1)

  • کنترل دقیق‌تر GAM (اسلایدها، بخش ۲) Finer Control of GAM (slides, part 2)

  • استفاده از هموارسازها با بیش از یک پیش‌بین (اسلایدها) Using Smoothers with More than One Predictor (slides)

  • نکات بیشتر در مورد پایه‌های هموارسازی جایگزین (اسلایدها) More on Alternative Smoothing Bases (slides)

  • عبارات مدل پارامتریک (اسلایدها) Parametric Model Terms (slides)

  • مثال: تصویربرداری مغز (بخش ۱) Example: Brain Imaging (part 1)

  • مثال: تصویربرداری مغز (بخش ۲) Example: Brain Imaging (part 2)

  • مثال: تصویربرداری مغز (بخش ۳) Example: Brain Imaging (part 3)

  • مثال: تصویربرداری مغز (بخش ۴) Example: Brain Imaging (part 4)

  • مثال: تصویربرداری مغز (بخش ۵) Example: Brain Imaging (part 5)

  • مثال: آلودگی هوا در شیکاگو (بخش ۱) Example: Air Pollution in Chicago (part 1)

  • مثال: آلودگی هوا در شیکاگو (بخش ۲) Example: Air Pollution in Chicago (part 2)

  • آلودگی هوا در شیکاگو (بخش ۳) Air Pollution in Chicago (part 3)

  • تمرین‌های بیشتر More Exercises

آموزش TDD چیست و چرا تست واحد نیست: جلسات اجرایی

آموزش TDD چیست و چرا تست واحد نیست: جلسات اجرایی

What Is TDD and Why It Is Not Unit Testing: Executive Briefing

آموزش مدیریت سطح C: 100 مدل برای موفقیت در کسب و کار

آموزش مدیریت سطح C: 100 مدل برای موفقیت در کسب و کار

C-level management: 100 models for business success

دوره کامل زیرساخت کلید عمومی (PKI).

دوره کامل زیرساخت کلید عمومی (PKI).

Public Key Infrastructure (PKI) Complete Course

نمایش نظرات

آموزش رگرسیون خطی، مدل‌های خطی تعمیم‌یافته (GLMs) و مدل‌های تعمیم‌یافته افزایشی (GAMs) با R
جزییات دوره
8 hours
69
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,441
4.3 از 5
دارد
دارد
دارد

https://donyad.com/d/3a07fd

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Geoffrey Hubona, Ph.D. Geoffrey Hubona, Ph.D.

دانشیار سیستم های اطلاعاتی دکتر جفری هوبونا از سال 1993 در 4 دانشگاه بزرگ ایالتی در ایالات متحده دوره های تصدی تمام مدت و استعفا ، استادیار و دانشیار را حفظ کرده است. در حال حاضر ، وی دانشیار MIS در دانشگاه بین المللی A&M تگزاس است که برای آن تدریس می کند دوره های اعتباری در تجسم داده های تجاری (دوره کارشناسی) ، برنامه نویسی پیشرفته با استفاده از R (فارغ التحصیل) و داده کاوی و تجزیه و تحلیل تجارت (فارغ التحصیل). در سمت های قبلی دانشکده دانشگاهی ، او ده ها آماره مختلف ، سیستم های اطلاعات کسب و کار و دوره های علوم کامپیوتر را در مقطع کارشناسی ، کارشناسی ارشد و دکتری تدریس کرد. دانش آموزان. وی دکترای خود را کسب کرد. در رشته مدیریت بازرگانی (سیستم های اطلاعاتی و علوم کامپیوتر) از دانشگاه فلوریدا جنوبی (USF) در تامپا ، فلوریدا. کارشناسی ارشد اقتصاد ، همچنین از USF. MBA در رشته مالی از دانشگاه جورج میسون در فیرفکس ، VA ؛ و لیسانس روانشناسی از دانشگاه ویرجینیا در شارلوتسویل ، VA. او بنیانگذار مدرسه جورجیا R (2010-2014) و R-Courseware (2014 تا کنون) ، سازمان های آموزشی آنلاین است که روش های تحقیق و تکنیک های تجزیه و تحلیل کمی را آموزش می دهند. این تکنیک های روش تحقیق شامل مدلسازی خطی و غیرخطی ، روش های چند متغیره ، داده کاوی ، برنامه نویسی و شبیه سازی و مدل سازی معادلات ساختاری و مدل حداقل مربعات جزئی (PLS) است.