اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی رگرسیون خطی و پیشرفته در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی رگرسیون خطی و پیشرفته در یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین نظارت‌شده

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و رگرسیون
• 2. مقدمه‌ای بر رگرسیون خطی ساده
• 3. مدل رگرسیون خطی ساده
• 4. مفروضات رگرسیون خطی ساده
• 5. تخمین پارامترها با روش حداقل مربعات
• 6. تحلیل واریانس (ANOVA) در رگرسیون
• 7. معناداری مدل و ضریب تعیین (R-squared)
• 8. آزمون فرض آماری برای ضرایب رگرسیون
• 9. باقیمانده‌ها و تشخیص نقاط پرت
• 10. آزمون‌های تشخیصی برای مفروضات مدل
• 11. رگرسیون خطی چندگانه
• 12. مدل رگرسیون خطی چندگانه
• 13. تفسیر ضرایب در رگرسیون چندگانه
• 14. انتخاب متغیر در رگرسیون چندگانه
• 15. روش گام به گام (Stepwise Regression)
• 16. تداخل (Interaction) بین متغیرهای پیش‌بین
• 17. اثرات چندهم‌خطی (Multicollinearity)
• 18. تشخیص و مدیریت چندهم‌خطی
• 19. رگرسیون با متغیرهای طبقه‌ای
• 20. متغیرهای مجازی (Dummy Variables)
• 21. کاربرد متغیرهای مجازی در رگرسیون
• 22. رگرسیون با متغیرهای ترتیبی
• 23. مدل‌های غیرخطی قابل تبدیل به خطی
• 24. تبدیل متغیرها برای مدل‌سازی غیرخطی
• 25. رگرسیون چندجمله‌ای (Polynomial Regression)
• 26. مدل‌های غیرخطی ذاتی
• 27. رگرسیون لجستیک (برای مسائل طبقه‌بندی)
• 28. مقدمه‌ای بر طبقه‌بندی در یادگیری ماشین
• 29. تابع سیگموئید و احتمال خروجی
• 30. تابع زیان در رگرسیون لجستیک
• 31. روش حداکثر درستنمایی (Maximum Likelihood Estimation)
• 32. تفسیر ضرایب در رگرسیون لجستیک
• 33. ارزیابی مدل رگرسیون لجستیک
• 34. منحنی ROC و سطح زیر منحنی (AUC)
• 35. رگرسیون پواسون (برای داده‌های شمارشی)
• 36. مدل‌های خطی تعمیم‌یافته (GLMs)
• 37. تابع پیوند (Link Function)
• 38. تابع توزیع (Distribution Function)
• 39. کاربرد GLMs در مسائل مختلف
• 40. رگرسیون ریج (Ridge Regression)
• 41. منظم‌سازی (Regularization) در یادگیری ماشین
• 42. مفهوم L2 Regularization
• 43. کاربرد ریج در کاهش چندهم‌خطی
• 44. رگرسیون لاسو (Lasso Regression)
• 45. مفهوم L1 Regularization
• 46. انتخاب متغیر با استفاده از لاسو
• 47. مقایسه ریج و لاسو
• 48. رگرسیون الاستیک نت (Elastic Net Regression)
• 49. ترکیب L1 و L2 Regularization
• 50. تنظیم ابرپارامترها در الاستیک نت
• 51. مدل‌های رگرسیون غیرخطی
• 52. ماشین‌های بردار پشتیبان (SVM) برای رگرسیون
• 53. رگرسیون فرآیند گوسی (Gaussian Process Regression)
• 54. مدل‌های مبتنی بر درخت (Tree-based Models)
• 55. درخت تصمیم برای رگرسیون
• 56. جنگل تصادفی (Random Forest) برای رگرسیون
• 57. تقویت گرادیان (Gradient Boosting) برای رگرسیون
• 58. مدل‌های شبکه عصبی برای رگرسیون
• 59. مقدمه‌ای بر شبکه‌های عصبی
• 60. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 61. آموزش شبکه‌های عصبی با پس‌انتشار خطا
• 62. تنظیم ابرپارامترهای شبکه‌های عصبی
• 63. رگرسیون سری زمانی (Time Series Regression)
• 64. مقدمه‌ای بر تحلیل سری زمانی
• 65. مدل‌های ARIMA
• 66. مدل‌های رگرسیون با اثرات زمانی
• 67. پیش‌بینی سری زمانی با یادگیری ماشین
• 68. رگرسیون با داده‌های فضایی
• 69. مدل‌های رگرسیون فضایی
• 70. کاربرد در علوم جغرافیایی و محیط زیست
• 71. مباحث پیشرفته در رگرسیون
• 72. رگرسیون کوانتیل (Quantile Regression)
• 73. رگرسیون با داده‌های پرت زیاد
• 74. مدل‌های ترکیبی (Ensemble Models)
• 75. روش‌های ترکیب مدل‌ها
• 76. یادگیری انتقالی (Transfer Learning) در رگرسیون
• 77. تفسیرپذیری مدل‌های رگرسیون (Explainable AI - XAI)
• 78. ابزارهای تفسیرپذیری مدل‌ها
• 79. ارزیابی و انتخاب مدل نهایی
• 80. بهینه‌سازی عملکرد مدل
• 81. مقایسه مدل‌های رگرسیون مختلف
• 82. کاربرد رگرسیون در حل مسائل واقعی
• 83. مطالعه موردی: پیش‌بینی قیمت مسکن
• 84. مطالعه موردی: پیش‌بینی فروش محصولات
• 85. مطالعه موردی: تحلیل ریسک اعتباری
• 86. مطالعه موردی: پیش‌بینی مصرف انرژی
• 87. مطالعه موردی: تحلیل داده‌های پزشکی
• 88. مطالعه موردی: بهینه‌سازی فرآیندهای صنعتی
• 89. مطالعه موردی: پیش‌بینی آب و هوا
• 90. مطالعه موردی: تحلیل احساسات متنی
• 91. مطالعه موردی: پیش‌بینی عملکرد تحصیلی
• 92. ملاحظات عملی در پیاده‌سازی مدل‌های رگرسیون
• 93. اهمیت داده‌های تمیز و آماده‌سازی آن‌ها
• 94. انتخاب ویژگی‌های مرتبط
• 95. مدیریت داده‌های نامتعادل
• 96. چالش‌های اخلاقی در استفاده از مدل‌های پیش‌بینی
• 97. امنیت داده‌ها و حریم خصوصی
• 98. آینده رگرسیون و یادگیری ماشین