اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر مدل‌های رگرسیون با استفاده از کتابخانه‌های آماری پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر مدل‌های رگرسیون با استفاده از کتابخانه‌های آماری پایتون

موضوع کلی: تحلیل داده و مدل‌سازی آماری

موضوع میانی: رگرسیون در علم داده

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تحلیل داده و مدل سازی آماری
• 2. مبانی آمار توصیفی در علم داده
• 3. مفاهیم احتمال و توزیع های آماری
• 4. مقدمه ای بر کتابخانه های آماری پایتون
• 5. نصب و پیکربندی محیط پایتون برای آمار
• 6. آشنایی با کتابخانه NumPy برای محاسبات عددی
• 7. آشنایی با کتابخانه Pandas برای دستکاری داده
• 8. بارگذاری و پیش پردازش داده های جدولی
• 9. پاکسازی داده ها و مدیریت مقادیر گمشده
• 10. شناسایی و مدیریت داده های پرت
• 11. تبدیل و نرمال سازی متغیرها
• 12. مقدمه ای بر مدل های رگرسیون
• 13. مفهوم رگرسیون خطی ساده
• 14. فرض های مدل رگرسیون خطی
• 15. تخمین پارامترهای مدل رگرسیون خطی
• 16. تفسیر ضرایب در رگرسیون خطی
• 17. ارزیابی برازش مدل رگرسیون خطی
• 18. ضریب تعیین (R-squared)
• 19. خطای استاندارد رگرسیون
• 20. آزمون فرض برای ضرایب رگرسیون
• 21. آزمون F برای برازش کلی مدل
• 22. مقدمه ای بر کتابخانه statsmodels
• 23. ساختار مدل های خطی در statsmodels
• 24. اجرای رگرسیون خطی ساده با statsmodels
• 25. تحلیل خروجی مدل statsmodels
• 26. شاخص های آماری در خروجی statsmodels
• 27. رگرسیون خطی چندگانه
• 28. مفهوم متغیرهای مستقل متعدد
• 29. تفسیر ضرایب در رگرسیون چندگانه
• 30. مشکل هم خطی (Multicollinearity)
• 31. تشخیص و مدیریت هم خطی
• 32. مدل سازی با متغیرهای مجازی (Dummy Variables)
• 33. کاربرد متغیرهای مجازی در رگرسیون
• 34. متغیرهای مجازی برای متغیرهای دسته ای
• 35. تعامل بین متغیرها
• 36. مدل های رگرسیون با اثرات متقابل
• 37. ارزیابی مدل های رگرسیون چندگانه
• 38. بررسی فرض های رگرسیون چندگانه
• 39. باقیمانده ها (Residuals) و تحلیل آنها
• 40. نمودارهای باقیمانده ها
• 41. آزمون های ناهمسانی واریانس (Heteroscedasticity)
• 42. آزمون های خودهمبستگی (Autocorrelation)
• 43. اصلاح ناهمسانی واریانس
• 44. اصلاح خودهمبستگی
• 45. رگرسیون نمایی (Polynomial Regression)
• 46. مدل سازی روابط غیرخطی
• 47. انتخاب بهترین مدل رگرسیون
• 48. معیارهای انتخاب مدل (AIC, BIC)
• 49. اعتبارسنجی مدل (Model Validation)
• 50. تقسیم داده به مجموعه آموزش و آزمون
• 51. اعتبارسنجی متقابل (Cross-validation)
• 52. مقدمه ای بر مدل های خطی تعمیم یافته (GLM)
• 53. رگرسیون لجستیک (Logistic Regression)
• 54. کاربرد رگرسیون لجستیک برای متغیرهای وابسته باینری
• 55. تفسیر ضرایب در رگرسیون لجستیک
• 56. ارزیابی مدل رگرسیون لجستیک
• 57. مقدمه ای بر مدل های سری زمانی
• 58. مفاهیم پایه سری های زمانی
• 59. تحلیل روند در سری های زمانی
• 60. تحلیل فصلی در سری های زمانی
• 61. مدل های ARIMA
• 62. مقدمه ای بر مدل های رگرسیون پوآسون
• 63. مدل سازی داده های شمارشی
• 64. تفسیر ضرایب در رگرسیون پوآسون
• 65. ارزیابی مدل رگرسیون پوآسون
• 66. مقدمه ای بر مدل های رگرسیون منفی دوجمله ای
• 67. کاربرد مدل منفی دوجمله ای برای داده های شمارشی با واریانس زیاد
• 68. تفسیر ضرایب در رگرسیون منفی دوجمله ای
• 69. ارزیابی مدل رگرسیون منفی دوجمله ای
• 70. مدل سازی با داده های پانل (Panel Data)
• 71. مقدمه ای بر مدل های اثرات ثابت و تصادفی
• 72. آموزش مدل های رگرسیون با داده های پانل
• 73. مقدمه ای بر مدل های رگرسیون مکانی
• 74. تحلیل داده های مکانی با رویکرد رگرسیون
• 75. مقدمه ای بر یادگیری ماشین در رگرسیون
• 76. رگرسیون درخت تصمیم (Decision Tree Regression)
• 77. رگرسیون جنگل تصادفی (Random Forest Regression)
• 78. رگرسیون ماشین بردار پشتیبان (SVM Regression)
• 79. مدل سازی پیشرفته با کتابخانه Scikit-learn
• 80. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 81. بهینه سازی مدل رگرسیون
• 82. مقدمه ای بر تفسیرپذیری مدل های یادگیری ماشین
• 83. تکنیک های تفسیرپذیری (SHAP, LIME)
• 84. کاربرد تفسیرپذیری در مدل های رگرسیون
• 85. مقدمه ای بر اخلاق در تحلیل داده
• 86. حفظ حریم خصوصی داده ها
• 87. سوگیری در مدل های آماری
• 88. مسئولیت پذیری در علم داده
• 89. مقدمه ای بر کاربردهای صنعتی رگرسیون
• 90. تحلیل داده های مالی و اقتصادی
• 91. تحلیل داده های بازاریابی
• 92. تحلیل داده های پزشکی
• 93. تحلیل داده های مهندسی
• 94. مقدمه ای بر مدل های رگرسیون بیزی
• 95. مفاهیم پایه رگرسیون بیزی
• 96. پیاده سازی رگرسیون بیزی با PyMC3
• 97. مقایسه رویکردهای بیزی و فراوانی گرا
• 98. مباحث پیشرفته در مدل سازی رگرسیون
• 99. یادگیری تقویتی در مدل سازی
• 100. مقدمه ای بر مدل های شبکه عصبی برای رگرسیون