اپلیکیشن اندرویدی فلش‌کارت آموزشی رگرسیون خطی و مدل‌سازی پیش‌بینی در R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رگرسیون خطی و مدل‌سازی پیش‌بینی در R

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: یادگیری ماشین نظارت شده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و رگرسیون
• 2. نصب و راه‌اندازی R و RStudio
• 3. مفاهیم پایه‌ای رگرسیون خطی
• 4. انواع رگرسیون خطی
• 5. مدل‌سازی پیش‌بینی با رگرسیون خطی
• 6. آماده‌سازی داده‌ها برای رگرسیون
• 7. پاکسازی و پیش‌پردازش داده‌ها
• 8. شناسایی و مدیریت داده‌های پرت
• 9. تبدیل متغیرها
• 10. انتخاب ویژگی‌ها
• 11. مقدمه‌ای بر کتابخانه `caret` در R
• 12. بارگذاری داده‌ها در R
• 13. اکتشاف و بصری‌سازی داده‌ها
• 14. رسم نمودارهای پراکندگی
• 15. تحلیل همبستگی
• 16. تفسیر نمودارهای پراکندگی
• 17. مقدمه‌ای بر مدل رگرسیون خطی ساده
• 18. فرمول رگرسیون خطی ساده
• 19. تخمین ضرایب رگرسیون
• 20. روش حداقل مربعات (OLS)
• 21. مفهوم برازش مدل
• 22. آزمون فرضیه برای ضرایب
• 23. مقدار P و سطح معنی‌داری
• 24. تفسیر ضرایب رگرسیون
• 25. ارزیابی کیفیت برازش مدل
• 26. ضریب تعیین (R-squared)
• 27. ضریب تعیین تعدیل شده
• 28. خطای استاندارد برآوردگر
• 29. تحلیل واریانس (ANOVA) برای رگرسیون
• 30. آزمون F برای معنی‌داری کلی مدل
• 31. تشخیص ناهمسانی واریانس (Heteroscedasticity)
• 32. آزمون بروش-پاگان
• 33. تبدیل داده‌ها برای رفع ناهمسانی واریانس
• 34. تشخیص خودهمبستگی (Autocorrelation)
• 35. آزمون دوربین-واتسون
• 36. رفع خودهمبستگی
• 37. تحلیل باقی‌مانده‌ها (Residuals)
• 38. نمودار باقی‌مانده‌ها در برابر مقادیر پیش‌بینی شده
• 39. نمودار هیستوگرام باقی‌مانده‌ها
• 40. نمودار Q-Q برای نرمال بودن باقی‌مانده‌ها
• 41. شناسایی نقاط اهرمی (Leverage Points)
• 42. شاخص کوک (Cook's Distance)
• 43. شناسایی مشاهدات تأثیرگذار (Influential Observations)
• 44. پیش‌بینی مقادیر جدید
• 45. تولید فواصل اطمینان برای پیش‌بینی
• 46. تولید فواصل پیش‌بینی
• 47. رگرسیون خطی چندگانه
• 48. مقدمه و فرمول رگرسیون خطی چندگانه
• 49. تخمین ضرایب در رگرسیون چندگانه
• 50. تفسیر ضرایب در رگرسیون چندگانه
• 51. مسئله هم‌خطی چندگانه (Multicollinearity)
• 52. شناسایی هم‌خطی چندگانه
• 53. مدیریت هم‌خطی چندگانه
• 54. مقدمه‌ای بر انتخاب مدل
• 55. روش گام به گام (Stepwise Selection)
• 56. انتخاب رو به جلو (Forward Selection)
• 57. انتخاب رو به عقب (Backward Elimination)
• 58. معیارهای انتخاب مدل (AIC, BIC)
• 59. رگرسیون منظم شده (Regularized Regression)
• 60. مقدمه‌ای بر رگرسیون Ridge
• 61. تنظیم پارامتر آلفا در Ridge
• 62. مقدمه‌ای بر رگرسیون Lasso
• 63. تنظیم پارامتر آلفا در Lasso
• 64. مقایسه Ridge و Lasso
• 65. رگرسیون Elastic Net
• 66. مقدمه‌ای بر مدل‌های خطی تعاملی
• 67. ایجاد متغیرهای تعاملی
• 68. تفسیر متغیرهای تعاملی
• 69. رگرسیون با متغیرهای طبقه‌ای (Categorical Variables)
• 70. متغیرهای مجازی (Dummy Variables)
• 71. ایجاد و تفسیر متغیرهای مجازی
• 72. مدل‌سازی با متغیرهای طبقه‌ای چندسطحی
• 73. مقدمه‌ای بر مدل‌های پیش‌بینی غیرخطی
• 74. منحنی‌های برازش
• 75. رگرسیون چندجمله‌ای
• 76. مقدمه‌ای بر مدل‌های خطی تعمیم یافته (GLM)
• 77. توزیع پواسون (Poisson Regression)
• 78. توزیع دوجمله‌ای منفی (Negative Binomial Regression)
• 79. رگرسیون لجستیک (Logistic Regression)
• 80. مقدمه‌ای بر اعتبارسنجی متقابل (Cross-Validation)
• 81. اعتبارسنجی K-Fold
• 82. تنظیم پارامترها با اعتبارسنجی متقابل
• 83. ارزیابی عملکرد مدل
• 84. معیارهای ارزیابی برای رگرسیون
• 85. میانگین مربعات خطا (MSE)
• 86. ریشه میانگین مربعات خطا (RMSE)
• 87. میانگین قدر مطلق خطا (MAE)
• 88. تمرین عملی: ساخت مدل پیش‌بینی قیمت مسکن
• 89. جمع‌آوری و آماده‌سازی داده‌های قیمت مسکن
• 90. ساخت مدل رگرسیون خطی برای قیمت مسکن
• 91. ارزیابی و بهبود مدل
• 92. تمرین عملی: پیش‌بینی فروش با داده‌های سری زمانی
• 93. آماده‌سازی داده‌های سری زمانی
• 94. ساخت مدل رگرسیون برای پیش‌بینی فروش
• 95. تفسیر نتایج و اعتبارسنجی مدل
• 96. مقدمه‌ای بر یادگیری ماشین در R
• 97. کتابخانه‌های پرکاربرد در علم داده R
• 98. نکات پیشرفته در مدل‌سازی رگرسیون
• 99. خلاصه و جمع‌بندی مفاهیم رگرسیون
• 100. نگاهی به مدل‌های پیشرفته‌تر