اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر مدل‌های رگرسیون با استفاده از R

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر مدل‌های رگرسیون با استفاده از R

موضوع کلی: تحلیل داده و مدل‌سازی آماری

موضوع میانی: مدل‌های رگرسیون در تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تحلیل داده و آمارهای توصیفی
• 2. انواع داده ها و مقیاس های اندازه گیری
• 3. نمایش گرافیکی داده ها: هیستوگرام و نمودار جعبه ای
• 4. مقدمه ای بر زبان برنامه نویسی R
• 5. نصب و پیکربندی R و RStudio
• 6. انجام محاسبات آماری پایه در R
• 7. تابع نویسی در R
• 8. مقدمه ای بر مدل های رگرسیون
• 9. مفهوم رگرسیون خطی ساده
• 10. ضرایب رگرسیون و تفسیر آنها
• 11. آزمون فرض برای ضرایب رگرسیون
• 12. فاصله اطمینان برای ضرایب رگرسیون
• 13. انطباق مدل رگرسیون خطی ساده
• 14. مربع خطای مجموع (SSE) و مربع خطای کل (SST)
• 15. ضریب تعیین (R-squared)
• 16. تحلیل واریانس (ANOVA) در رگرسیون
• 17. پیش فرض های مدل رگرسیون خطی ساده
• 18. تشخیص همبستگی خطی بین متغیرها
• 19. همگنی واریانس خطاها (Homoscedasticity)
• 20. نرمال بودن باقی مانده ها (Normality of Residuals)
• 21. استقلال باقی مانده ها (Independence of Residuals)
• 22. تشخیص داده های پرت (Outliers)
• 23. تشخیص نقاط اهرمی (Leverage Points)
• 24. تشخیص مشاهدات تاثیرگذار (Influential Observations)
• 25. متغیرهای مجازی (Dummy Variables) در رگرسیون
• 26. رگرسیون خطی چندگانه
• 27. تفسیر ضرایب در رگرسیون چندگانه
• 28. انتخاب متغیرهای پیش بین
• 29. روش گام به گام (Stepwise Regression)
• 30. مشکل هم خطی (Multicollinearity)
• 31. تشخیص و مدیریت هم خطی
• 32. رگرسیون با متغیرهای کیفی
• 33. رگرسیون چندجمله ای (Polynomial Regression)
• 34. انواع تعاملات بین متغیرها
• 35. مدل های رگرسیون باینری (Binary Regression)
• 36. رگرسیون لجستیک (Logistic Regression)
• 37. تفسیر ضرایب در رگرسیون لجستیک
• 38. مقدمه ای بر مدل های خطی تعمیم یافته (GLM)
• 39. مدل پواسون (Poisson Regression)
• 40. مدل نمایی (Exponential Regression)
• 41. مقدمه ای بر مدل های سری زمانی
• 42. تحلیل روند (Trend Analysis)
• 43. تحلیل فصلی (Seasonality Analysis)
• 44. مدل های ARIMA
• 45. پیش بینی با استفاده از مدل های سری زمانی
• 46. مقدمه ای بر مدل های خطی مختلط (Mixed-Effects Models)
• 47. کاربرد مدل های خطی مختلط
• 48. تحلیل داده های پنل (Panel Data Analysis)
• 49. مقدمه ای بر یادگیری ماشین
• 50. یادگیری نظارت شده و بدون نظارت
• 51. الگوریتم های طبقه بندی
• 52. الگوریتم های خوشه بندی
• 53. مقدمه ای بر مدل های درخت تصمیم (Decision Trees)
• 54. تنظیم پارامترهای درخت تصمیم
• 55. تقویت گرادیان (Gradient Boosting)
• 56. جنگل های تصادفی (Random Forests)
• 57. مقدمه ای بر شبکه های عصبی مصنوعی
• 58. معماری شبکه های عصبی
• 59. آموزش شبکه های عصبی
• 60. مقدمه ای بر تحلیل بقا (Survival Analysis)
• 61. تابع بقا و تابع خطر
• 62. آزمون رنک لوژ (Log-Rank Test)
• 63. مدل کاکس (Cox Proportional Hazards Model)
• 64. تفسیر ضرایب در مدل کاکس
• 65. مقدمه ای بر تحلیل عاملی (Factor Analysis)
• 66. استخراج عوامل
• 67. تفسیر عوامل
• 68. مقدمه ای بر تحلیل مولفه های اصلی (PCA)
• 69. تفسیر مولفه های اصلی
• 70. کاربرد PCA در کاهش ابعاد
• 71. مقدمه ای بر روش های نمونه گیری
• 72. نمونه گیری تصادفی ساده
• 73. نمونه گیری طبقه ای
• 74. نمونه گیری خوشه ای
• 75. خطا در نمونه گیری
• 76. مقدمه ای بر آزمون های ناپارامتری
• 77. آزمون ویلکاکسون (Wilcoxon Rank-Sum Test)
• 78. آزمون کروسکال-والیس (Kruskal-Wallis Test)
• 79. آزمون نسبت ها (Chi-Squared Test)
• 80. مقدمه ای بر مدل های خطی تعمیم یافته (GLM) - بخش دوم
• 81. مدل های رگرسیون کوانتیل (Quantile Regression)
• 82. مقدمه ای بر روش های بایزی (Bayesian Methods)
• 83. استفاده از R در تحلیل های بایزی
• 84. مقدمه ای بر پیش پردازش داده ها
• 85. پاکسازی داده ها (Data Cleaning)
• 86. تبدیل داده ها (Data Transformation)
• 87. مهندسی ویژگی (Feature Engineering)
• 88. ارزیابی مدل های رگرسیون
• 89. معیارهای ارزیابی مدل
• 90. اعتبارسنجی متقابل (Cross-Validation)
• 91. کاربرد R در اعتبارسنجی متقابل
• 92. مقدمه ای بر مدل سازی پیش بینانه
• 93. توسعه مدل های پیش بینانه
• 94. پیاده سازی مدل های پیش بینانه در R
• 95. نکات تکمیلی و کاربردی در تحلیل رگرسیون
• 96. جمع بندی و مرور مفاهیم کلیدی