آموزش تجزیه و تحلیل رگرسیون خطی کامل در پایتون

Complete Linear Regression Analysis in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: رگرسیون خطی در پایتون| رگرسیون ساده، رگرسیون چندگانه، رگرسیون ریج، کمند و انتخاب زیر مجموعه نیز

آنچه یاد خواهید گرفت

  • نحوه حل مسئله واقعی را با استفاده از تکنیک رگرسیون خطی بیاموزید
  • تجزیه و تحلیل اولیه داده ها با استفاده از تحلیل تک متغیره و دو متغیره قبل از اجرای رگرسیون خطی
  • پیش بینی نتایج آینده بر اساس داده های گذشته با پیاده سازی ساده ترین الگوریتم یادگیری ماشین
  • درک نحوه تفسیر نتایج مدل رگرسیون خطی و تبدیل آنها به بینش عملی
  • آشنایی با مبانی آمار و مفاهیم یادگیری ماشینی
  • دانش عمیق جمع آوری داده ها و پیش پردازش داده ها برای مسئله رگرسیون خطی یادگیری ماشین
  • انواع پیشرفته روش OLS رگرسیون خطی را بیاموزید
  • دوره شامل یک پروژه DIY تمام عیار برای پیاده سازی آموخته های شما از سخنرانی ها است
  • نحوه تبدیل مسئله کسب و کار به مسئله رگرسیون خطی یادگیری ماشین
  • آمار اولیه با استفاده از کتابخانه Numpy در پایتون
  • نمایش داده ها با استفاده از کتابخانه Seaborn در پایتون
  • تکنیک رگرسیون خطی یادگیری ماشین با استفاده از کتابخانه‌های Scikit Learn و Statsmodel پایتون

شما به دنبال یک دوره کامل رگرسیون خطی هستید که همه آنچه را که برای ایجاد یک مدل رگرسیون خطی در پایتون نیاز دارید به شما آموزش دهد، درست است؟

شما دوره مناسب رگرسیون خطی را پیدا کرده اید!

پس از تکمیل این دوره، شما قادر خواهید بود:

  • مشکل تجاری را که می توان با استفاده از تکنیک رگرسیون خطی یادگیری ماشین حل کرد، شناسایی کنید.

  • یک مدل رگرسیون خطی در پایتون ایجاد کنید و نتیجه آن را تجزیه و تحلیل کنید.

  • مفاهیم یادگیری ماشینی را با اطمینان تمرین، بحث و درک کنید

یک گواهی تکمیل قابل تأیید به همه دانش‌آموزانی که این دوره آموزشی مبانی یادگیری ماشین را می‌گذرانند ارائه می‌شود.

این دوره چگونه به شما کمک خواهد کرد؟

اگر یک مدیر کسب و کار یا مدیر اجرایی هستید، یا دانشجویی هستید که می خواهید یادگیری ماشین را در مسائل دنیای واقعی کسب و کار بیاموزید و به کار ببرید، این دوره با آموزش محبوب ترین تکنیک ماشین به شما پایه محکمی برای آن می دهد. یادگیری، که رگرسیون خطی

است

چرا باید این دوره را انتخاب کنید؟

این دوره تمام مراحلی را که باید در حین حل یک مشکل تجاری از طریق رگرسیون خطی انجام داد را پوشش دهد.

اکثر دوره‌ها فقط بر آموزش نحوه اجرای تجزیه و تحلیل تمرکز می‌کنند، اما ما معتقدیم که آنچه قبل و بعد از اجرای تجزیه و تحلیل اتفاق می‌افتد از اهمیت بیشتری برخوردار است، یعنی قبل از اجرای تجزیه و تحلیل، بسیار مهم است که داده‌های مناسب داشته باشید و مقداری پیش پردازش روی آن انجام دهید. آی تی. و پس از اجرای تجزیه و تحلیل، باید بتوانید قضاوت کنید که مدل خود چقدر خوب است و نتایج را تفسیر کنید تا واقعا بتوانید به کسب و کار خود کمک کنید.

چه چیزی ما را واجد شرایط آموزش به شما می کند؟

این دوره توسط آبیشک و پخراج تدریس می شود. ما به عنوان مدیران در شرکت مشاوره آنالیتیکس جهانی، به کسب‌وکارها کمک کرده‌ایم تا مشکل کسب‌وکار خود را با استفاده از تکنیک‌های یادگیری ماشین حل کنند و از تجربیات خود برای گنجاندن جنبه‌های عملی تجزیه و تحلیل داده‌ها در این دوره استفاده کرده‌ایم

ما همچنین خالق برخی از محبوب ترین دوره های آنلاین هستیم - با بیش از 150000 ثبت نام و هزاران بررسی 5 ستاره مانند این:

این خیلی خوب است، من عاشق این واقعیت هستم که تمام توضیحات ارائه شده توسط یک فرد غیر روحانی قابل درک است - جاشوا

با تشکر از نویسنده برای این دوره فوق العاده. شما بهترین هستید و این دوره به هر قیمتی می ارزد. - دیزی

قول ما

آموزش دانش آموزان وظیفه ماست و به آن متعهد هستیم. اگر در مورد محتوای دوره، برگه تمرین یا هر موضوعی مرتبط با هر موضوعی سؤالی دارید، همیشه می توانید سؤالی را در دوره ارسال کنید یا برای ما پیام مستقیم ارسال کنید.

فایل‌های تمرین را دانلود کنید، در آزمون‌ها شرکت کنید و تکالیف را تکمیل کنید

با هر سخنرانی، یادداشت‌های کلاسی پیوست شده است که می‌توانید آن را دنبال کنید. همچنین می‌توانید برای بررسی درک خود از مفاهیم، ​​در آزمون‌هایی شرکت کنید. هر بخش شامل یک تکلیف تمرینی است تا بتوانید یادگیری خود را عملی کنید.

چه مواردی در این دوره پوشش داده می شود؟

این دوره تمام مراحل ایجاد یک مدل رگرسیون خطی را که محبوب‌ترین مدل یادگیری ماشینی است، برای حل مشکلات تجاری به شما آموزش می‌دهد.

در زیر محتوای دوره این دوره در زمینه رگرسیون خطی آمده است:

  • بخش 1 - مبانی آمار

    این بخش به پنج سخنرانی مختلف تقسیم می شود که از انواع داده ها و سپس انواع آمار شروع می شود

    سپس نمایش‌های گرافیکی برای توصیف داده‌ها و سپس سخنرانی در مورد معیارهای مرکز مانند میانگین

    میانگین و حالت و در نهایت معیارهای پراکندگی مانند محدوده و انحراف استاندارد

  • بخش 2 - پایتون اساسی

    این بخش شما را با پایتون شروع می کند.

    این بخش به شما کمک می کند محیط پایتون و ژوپیتر را روی سیستم خود تنظیم کنید و آموزش می دهد

    شما چگونه برخی از عملیات اساسی را در پایتون انجام دهید. ما اهمیت کتابخانه های مختلف مانند Numpy، Pandas Seaborn را درک خواهیم کرد.

  • بخش 3 - مقدمه ای بر یادگیری ماشین

    در این بخش خواهیم آموخت - یادگیری ماشینی به چه معناست. معانی یا اصطلاحات مختلف مرتبط با یادگیری ماشین چیست؟ چند مثال خواهید دید تا متوجه شوید که یادگیری ماشینی در واقع چیست. همچنین شامل مراحلی است که در ساخت یک مدل یادگیری ماشین، نه فقط مدل‌های خطی، بلکه هر مدل یادگیری ماشینی نقش دارد.

  • بخش 4 - پیش پردازش داده

    در این بخش خواهید آموخت که چه اقداماتی را باید گام به گام انجام دهید تا داده ها را به دست آورید و سپس آن ها را برای تجزیه و تحلیل آماده کنید. این مراحل بسیار مهم هستند.

    ما با درک اهمیت دانش کسب و کار شروع می کنیم، سپس خواهیم دید که چگونه کاوش داده ها را انجام دهیم. ما یاد می گیریم که چگونه تجزیه و تحلیل تک متغیره و تجزیه و تحلیل دو متغیره را انجام دهیم، سپس موضوعاتی مانند درمان پرت، انتساب مقدار گمشده، تبدیل متغیر و همبستگی را پوشش می دهیم.

  • بخش 5 - مدل رگرسیون

    این بخش با رگرسیون خطی ساده شروع می شود و سپس رگرسیون خطی چندگانه را پوشش می دهد.

    ما تئوری اساسی هر مفهوم را بدون اینکه بیش از حد ریاضی در مورد آن انجام دهیم پوشش داده ایم تا متوجه شوید که این مفهوم از کجا می آید و چقدر اهمیت دارد. اما حتی اگر آن را درک نکنید، تا زمانی که یاد بگیرید چگونه اجرا کنید و نتیجه را همانطور که در سخنرانی‌های عملی آموزش داده شده است، تفسیر کنید، مشکلی نیست.

    ما همچنین به چگونگی کمی سازی دقت مدل ها، معنی آماره F چیست، چگونه متغیرهای طبقه بندی شده در مجموعه داده متغیرهای مستقل در نتایج تفسیر می شوند، چه تغییرات دیگری در روش حداقل مربعات معمولی وجود دارد و در نهایت چگونه می توانیم بررسی کنیم. نتیجه را تفسیر کنید تا پاسخ یک مشکل تجاری را بیابید.

در پایان این دوره، اعتماد شما به ایجاد یک مدل رگرسیون در پایتون افزایش می یابد. شما درک کاملی از نحوه استفاده از مدل‌سازی رگرسیون برای ایجاد مدل‌های پیش‌بینی و حل مشکلات تجاری خواهید داشت.


ادامه دهید و روی دکمه ثبت نام کلیک کنید، و من شما را در درس 1 می بینم!


به سلامتی

Start-Tech Academy


------------

در زیر فهرستی از پرسش‌های متداول رایج دانش‌آموزانی است که می‌خواهند سفر یادگیری ماشینی خود را شروع کنند-

یادگیری ماشینی چیست؟

Machine Learning رشته‌ای از علوم رایانه است که به رایانه توانایی یادگیری بدون برنامه‌ریزی صریح را می‌دهد. این شاخه ای از هوش مصنوعی است که مبتنی بر این ایده است که سیستم ها می توانند از داده ها یاد بگیرند، الگوها را شناسایی کنند و با کمترین مداخله انسانی تصمیم بگیرند.

تکنیک رگرسیون خطی یادگیری ماشین چیست؟

رگرسیون خطی یک مدل یادگیری ماشینی ساده برای مشکلات رگرسیون است، یعنی زمانی که متغیر هدف یک مقدار واقعی است.

رگرسیون خطی یک مدل خطی است، به عنوان مثال. مدلی که یک رابطه خطی بین متغیرهای ورودی (x) و متغیر خروجی واحد (y) را فرض می کند. به طور خاص، y را می توان از ترکیب خطی متغیرهای ورودی (x) محاسبه کرد.

وقتی یک متغیر ورودی منفرد (x) وجود دارد، روش به عنوان رگرسیون خطی ساده نامیده می‌شود.

وقتی چندین متغیر ورودی وجود دارد، این روش به عنوان رگرسیون خطی چندگانه شناخته می‌شود.

چرا تکنیک رگرسیون خطی یادگیری ماشین را یاد بگیریم؟

چهار دلیل برای یادگیری تکنیک رگرسیون خطی یادگیری ماشین وجود دارد:

1. رگرسیون خطی محبوب ترین تکنیک یادگیری ماشین است

2. رگرسیون خطی دقت پیش‌بینی نسبتاً خوبی دارد

3. پیاده سازی رگرسیون خطی ساده و تفسیر آن آسان است

4. این به شما پایه ای محکم برای شروع یادگیری سایر تکنیک های پیشرفته یادگیری ماشینی

می دهد

یادگیری تکنیک رگرسیون خطی یادگیری ماشین چقدر زمان می برد؟

رگرسیون خطی آسان است اما هیچ کس نمی تواند زمان یادگیری را تعیین کند. این کاملا به شما بستگی دارد. روشی که برای کمک به یادگیری رگرسیون خطی اتخاذ کردیم، از اصول اولیه شروع می شود و شما را در عرض چند ساعت به سطح پیشرفته می برد. شما می توانید همان را دنبال کنید، اما به یاد داشته باشید که بدون تمرین چیزی نمی توانید یاد بگیرید. تمرین تنها راه برای به خاطر سپردن مطالبی است که آموخته اید. بنابراین، مجموعه داده دیگری را نیز در اختیار شما قرار داده ایم تا به عنوان پروژه جداگانه رگرسیون خطی روی آن کار کنید.

مراحلی را که باید دنبال کنم تا بتوانم یک مدل یادگیری ماشینی بسازم چیست؟

می توانید فرآیند یادگیری خود را به 4 قسمت تقسیم کنید:

آمار و احتمال - پیاده‌سازی تکنیک‌های یادگیری ماشینی به دانش اولیه آمار و مفاهیم احتمال نیاز دارد. بخش دوم دوره این بخش را پوشش می دهد.

درک یادگیری ماشینی - بخش چهارم به شما کمک می کند تا اصطلاحات و مفاهیم مرتبط با یادگیری ماشین را درک کنید و مراحلی را که باید برای ساختن یک مدل یادگیری ماشین دنبال کنید ارائه می دهد

تجربه برنامه نویسی - بخش مهمی از یادگیری ماشین برنامه نویسی است. پایتون و R به وضوح در روزهای اخیر پیشتاز هستند. بخش سوم به شما کمک می کند تا محیط پایتون را راه اندازی کنید و چند عملیات اساسی را به شما آموزش می دهد. در بخش های بعدی ویدیویی در مورد نحوه پیاده سازی هر مفهومی که در سخنرانی تئوری در پایتون تدریس می شود وجود دارد

آشنایی با مدل‌سازی رگرسیون خطی - داشتن دانش خوب از رگرسیون خطی به شما درک کاملی از نحوه عملکرد یادگیری ماشین می‌دهد. اگرچه رگرسیون خطی ساده‌ترین تکنیک یادگیری ماشینی است، اما همچنان محبوب‌ترین روش با توانایی پیش‌بینی نسبتاً خوب است. بخش پنجم و ششم مبحث رگرسیون خطی را سرتاسر پوشش می دهد و با هر سخنرانی تئوری یک سخنرانی عملی مربوطه ارائه می شود که در آن ما در واقع هر پرس و جو را با شما اجرا می کنیم.

چرا از Python برای یادگیری ماشین داده استفاده کنیم؟

درک Python یکی از مهارت‌های ارزشمند مورد نیاز برای یک حرفه در یادگیری ماشین است.

اگرچه همیشه اینطور نبوده است، پایتون زبان برنامه نویسی انتخابی برای علم داده است. این یک تاریخچه مختصر است:

در سال 2016، از R در Kaggle، پلتفرم برتر مسابقات علم داده، پیشی گرفت.

در سال 2017، در نظرسنجی سالانه KDNuggets از ابزارهای پرکاربرد دانشمندان داده، از R پیشی گرفت.

در سال 2018، 66 درصد از دانشمندان داده از Python به صورت روزانه استفاده می‌کنند، که آن را به ابزار شماره یک برای متخصصان تجزیه و تحلیل تبدیل می‌کند.

کارشناسان یادگیری ماشین انتظار دارند این روند با افزایش توسعه در اکوسیستم پایتون ادامه یابد. و در حالی که سفر شما برای یادگیری برنامه نویسی پایتون ممکن است تازه شروع شده باشد، خوب است بدانید که فرصت های شغلی فراوان (و در حال رشد) نیز هستند.

تفاوت بین داده کاوی، یادگیری ماشینی و یادگیری عمیق چیست؟

به زبان ساده، یادگیری ماشین و داده کاوی از الگوریتم ها و تکنیک های مشابه داده کاوی استفاده می کنند، به جز اینکه انواع پیش بینی ها متفاوت است. در حالی که داده کاوی الگوها و دانش ناشناخته قبلی را کشف می کند، یادگیری ماشین الگوها و دانش شناخته شده را بازتولید می کند - و بیشتر به طور خودکار این اطلاعات را در داده ها، تصمیم گیری ها و اقدامات اعمال می کند.

آموزش عمیق، از سوی دیگر، از قدرت محاسباتی پیشرفته و انواع خاصی از شبکه‌های عصبی استفاده می‌کند و آنها را در مقادیر زیادی از داده‌ها برای یادگیری، درک و شناسایی الگوهای پیچیده استفاده می‌کند. ترجمه خودکار زبان و تشخیص های پزشکی نمونه هایی از یادگیری عمیق هستند.

این دوره برای چه کسانی است:

  • افرادی که به دنبال شغلی در علم داده هستند
  • حرفه ای ها سفر داده خود را آغاز می کنند
  • آماردانان به تجربه عملی بیشتری نیاز دارند
  • هر کسی که کنجکاو است در مدت زمان کوتاهی بر رگرسیون خطی از مبتدی تا پیشرفته تسلط یابد

سرفصل ها و درس ها

مقدمه Introduction

  • به دوره خوش آمدید! Welcome to the course!

  • مطالب دوره Course contents

  • منابع دوره Course Resources

  • این یک نقطه عطف است! This is a milestone!

راه اندازی Python و Jupyter Notebook Setting up Python and Jupyter Notebook

  • نصب پایتون و آناکوندا Installing Python and Anaconda

  • باز کردن نوت بوک Jupyter Opening Jupyter Notebook

  • آشنایی با ژوپیتر Introduction to Jupyter

  • عملگرهای حسابی در پایتون: مبانی پایتون Arithmetic operators in Python: Python Basics

  • رشته ها در پایتون: اصول پایتون Strings in Python: Python Basics

  • لیست ها، تاپل ها و فهرست ها: اصول پایتون Lists, Tuples and Directories: Python Basics

  • کار با کتابخانه Numpy پایتون Working with Numpy Library of Python

  • کار با Pandas Library of Python Working with Pandas Library of Python

  • کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python

مبانی آمار Basics of Statistics

  • انواع داده ها Types of Data

  • انواع آمار Types of Statistics

  • توصیف داده ها به صورت گرافیکی Describing data Graphically

  • اقدامات مراکز Measures of Centers

  • تمرین ۱ Practice Exercise 1

  • اقدامات پراکندگی Measures of Dispersion

  • تمرین ۲ Practice Exercise 2

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • ساخت یک مدل یادگیری ماشینی Building a Machine Learning Model

  • مقدمه ای بر مسابقه یادگیری ماشینی Introduction to Machine learning quiz

پیش پردازش داده ها Data Preprocessing

  • جمع آوری دانش کسب و کار Gathering Business Knowledge

  • کاوش داده ها Data Exploration

  • مجموعه داده و دیکشنری داده The Dataset and the Data Dictionary

  • وارد کردن داده ها در پایتون Importing Data in Python

  • تمرین پروژه 1 Project exercise 1

  • تجزیه و تحلیل تک متغیره و EDD Univariate analysis and EDD

  • EDD در پایتون EDD in Python

  • تمرین پروژه 2 Project Exercise 2

  • درمان پرت Outlier Treatment

  • درمان پرت در پایتون Outlier Treatment in Python

  • تمرین پروژه 3 Project Exercise 3

  • مقدار گمشده Missing Value Imputation

  • مقدار از دست رفته در پایتون Missing Value Imputation in Python

  • تمرین پروژه 4 Project Exercise 4

  • فصلی بودن در داده ها Seasonality in Data

  • تجزیه و تحلیل دو متغیره و تبدیل متغیر Bi-variate analysis and Variable transformation

  • تبدیل و حذف متغیر در پایتون Variable transformation and deletion in Python

  • تمرین پروژه 5 Project Exercise 5

  • متغیرهای غیر قابل استفاده Non-usable variables

  • ایجاد متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data

  • ایجاد متغیر ساختگی در پایتون Dummy variable creation in Python

  • تمرین پروژه 6 Project Exercise 6

  • تجزیه و تحلیل همبستگی Correlation Analysis

  • تجزیه و تحلیل همبستگی در پایتون Correlation Analysis in Python

  • پروژه تمرین 7 Project Exercise 7

  • امتحان Quiz

رگرسیون خطی Linear Regression

  • بیانیه مشکل The Problem Statement

  • روش معادلات پایه و حداقل مربعات معمولی (OLS). Basic Equations and Ordinary Least Squares (OLS) method

  • ارزیابی دقت ضرایب پیش بینی شده Assessing accuracy of predicted coefficients

  • ارزیابی دقت مدل: RSE و R مجذور Assessing Model Accuracy: RSE and R squared

  • رگرسیون خطی ساده در پایتون Simple Linear Regression in Python

  • پروژه تمرین 8 Project Exercise 8

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • F - آمار The F - statistic

  • امتحان Quiz

  • تفسیر نتایج متغیرهای طبقه بندی Interpreting results of Categorical variables

  • رگرسیون خطی چندگانه در پایتون Multiple Linear Regression in Python

  • امتحان Quiz

  • تمرین پروژه 9 Project Exercise 9

  • تقسیم آزمایشی-قطار Test-train split

  • تعارض واریانس مبادله Bias Variance trade-off

  • اطلاعات بیشتر در مورد تقسیم قطار آزمایشی More about test-train split

  • آزمایش تقسیم قطار در پایتون Test train split in Python

  • امتحان Quiz

  • امتحان Quiz

  • مدل های خطی غیر از OLS Linear models other than OLS

  • تکنیک های انتخاب زیر مجموعه Subset selection techniques

  • روش های انقباض: ریج و کمند Shrinkage methods: Ridge and Lasso

  • رگرسیون ریج و کمند در پایتون Ridge regression and Lasso in Python

  • ناهمسانی Heteroscedasticity

  • تمرین پروژه 10 Project Exercise 10

  • تمرین نهایی پروژه Final Project Exercise

تبریک و در مورد گواهینامه شما Congratulations & About your certificate

  • نقطه عطف نهایی! The final milestone!

  • سخنرانی پاداش Bonus lecture

نمایش نظرات

آموزش تجزیه و تحلیل رگرسیون خطی کامل در پایتون
جزییات دوره
7h 28m
77
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
149,091
4.7 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Start-Tech Academy Start-Tech Academy

بیش از 1،700،000+ ثبت نام | 4+ رتبه بندی شده | 160+ CountriesStart-Tech Academy یک شرکت آموزش تجزیه و تحلیل مبتنی بر فناوری است و هدف آن گردآوری شرکتهای تحلیلی و فراگیران علاقه مند است. محتوای آموزشی با کیفیت بالا به همراه کارآموزی و فرصت های پروژه به دانشجویان در شروع سفر Analytics خود کمک می کند. بنیانگذار Abhishek Bansal و Pukhraj Parikh است. Pukhraj که به عنوان مدیر پروژه در یک شرکت مشاوره آنالیز کار می کند ، چندین سال تجربه کار بر روی ابزارها و نرم افزارهای تجزیه و تحلیل را دارد. او در مجموعه های اداری MS ، رایانش ابری ، SQL ، Tableau ، SAS ، Google analytics و Python مهارت دارد. Abhishek قبل از اینکه به فن آوری های یادگیری و آموزش مانند یادگیری ماشین و هوش مصنوعی بپردازد ، به عنوان یک مالک فرآیند اکتساب در یک شرکت مخابراتی پیشرو کار می کرد.