اپلیکیشن اندرویدی فلش‌کارت آموزشی رگرسیون خطی و مدل‌های پیشرفته در R برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رگرسیون خطی و مدل‌های پیشرفته در R برای تحلیل داده

موضوع کلی: تحلیل آماری و یادگیری ماشین

موضوع میانی: مدل‌سازی رگرسیون در R

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل آماری و یادگیری ماشین
• 2. اهمیت زبان R در تحلیل داده
• 3. نصب و پیکربندی R و RStudio
• 4. مبانی زبان R: ساختار داده‌ها و عملیات پایه
• 5. کار با داده‌ها در R: وارد کردن و پاکسازی
• 6. آشنایی با بسته‌های آماری پرکاربرد در R
• 7. مفاهیم اساسی رگرسیون
• 8. رگرسیون خطی ساده: مدل‌سازی و تفسیر
• 9. فرض‌های مدل رگرسیون خطی
• 10. تشخیص و رفع نقض فرض‌ها
• 11. آزمون‌های آماری در رگرسیون خطی
• 12. برآورد پارامترها: روش حداقل مربعات
• 13. ارزیابی کیفیت برازش مدل
• 14. رگرسیون خطی چندگانه: افزودن متغیرهای پیش‌بین
• 15. انتخاب بهترین مدل رگرسیون چندگانه
• 16. مقدمه‌ای بر مدل‌های تعاملی
• 17. تحلیل واریانس (ANOVA) در رگرسیون
• 18. متغیرهای مجازی (Dummy Variables)
• 19. کاربرد متغیرهای مجازی در مدل‌های رگرسیون
• 20. تحلیل داده‌های طبقه‌بندی شده
• 21. رگرسیون لجستیک برای داده‌های دودویی
• 22. تفسیر ضرایب در رگرسیون لجستیک
• 23. رگرسیون لجستیک برای داده‌های چندکلاسی
• 24. معیارهای ارزیابی مدل رگرسیون لجستیک
• 25. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 26. رگرسیون پواسون برای داده‌های شمارشی
• 27. رگرسیون ناپارامتری
• 28. روش‌های هموارسازی داده‌ها
• 29. انواع همبستگی و ارتباط آن‌ها با رگرسیون
• 30. تحلیل سری‌های زمانی مقدماتی
• 31. آشنایی با مدل‌های ARIMA
• 32. تحلیل همبستگی متقابل
• 33. مقدمه‌ای بر مدل‌های تصادفی
• 34. مدل‌های اثرات ثابت و اثرات تصادفی
• 35. تحلیل داده‌های پانل
• 36. کاربرد رگرسیون در پیش‌بینی
• 37. اعتبارسنجی مدل‌های پیش‌بینی
• 38. روش‌های اعتبارسنجی متقابل (Cross-validation)
• 39. تنظیم هایپرپارامترها
• 40. مقدمه‌ای بر یادگیری ماشین
• 41. رابطه رگرسیون با یادگیری ماشین
• 42. مدل‌های یادگیری ماشین مبتنی بر رگرسیون
• 43. درختان تصمیم برای رگرسیون
• 44. قوانین انجمنی و کاربرد آن‌ها
• 45. شبکه‌های عصبی مصنوعی مقدماتی
• 46. شبکه‌های عصبی برای رگرسیون
• 47. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 48. SVM برای مسائل رگرسیون (SVR)
• 49. یادگیری جمعی (Ensemble Learning)
• 50. روش‌های Bagging و Boosting
• 51. جنگل‌های تصادفی (Random Forests)
• 52. گرادیان بوستینگ (Gradient Boosting)
• 53. مدل‌های مبتنی بر رگرسیون در یادگیری ماشین
• 54. تحلیل مولفه‌های اصلی (PCA)
• 55. کاهش ابعاد داده‌ها
• 56. تحلیل تشخیصی و تمایز
• 57. کاربرد رگرسیون در شناسایی الگو
• 58. مقدمه‌ای بر تشخیص ناهنجاری
• 59. روش‌های تشخیص ناهنجاری مبتنی بر رگرسیون
• 60. تکنیک‌های پیش‌پردازش داده‌ها برای یادگیری ماشین
• 61. استانداردسازی و نرمال‌سازی داده‌ها
• 62. مدیریت داده‌های پرت (Outliers)
• 63. کار با داده‌های گمشده
• 64. انتخاب ویژگی (Feature Selection)
• 65. روش‌های مبتنی بر فیلتر
• 66. روش‌های مبتنی بر پوشش (Wrapper Methods)
• 67. روش‌های مبتنی بر تعبیه شده (Embedded Methods)
• 68. مهندسی ویژگی (Feature Engineering)
• 69. ایجاد ویژگی‌های جدید
• 70. تبدیل ویژگی‌ها
• 71. کاربرد رگرسیون در مدل‌سازی کسب‌وکار
• 72. تحلیل رفتار مشتری
• 73. پیش‌بینی فروش
• 74. مدل‌سازی ریسک اعتباری
• 75. کاربرد رگرسیون در تحلیل مالی
• 76. مدل‌سازی بازده دارایی‌ها
• 77. پیش‌بینی قیمت سهام
• 78. تحلیل تاثیر عوامل اقتصادی بر بازار
• 79. کاربرد رگرسیون در علوم پزشکی
• 80. پیش‌بینی شدت بیماری
• 81. تحلیل عوامل خطر
• 82. مدل‌سازی بقا
• 83. کاربرد رگرسیون در علوم اجتماعی
• 84. تحلیل عوامل موثر بر رفتار اجتماعی
• 85. پیش‌بینی نتایج نظرسنجی‌ها
• 86. مطالعه شکاف طبقاتی
• 87. کاربرد رگرسیون در مهندسی
• 88. مدل‌سازی عملکرد سیستم‌ها
• 89. پیش‌بینی خرابی تجهیزات
• 90. بهینه‌سازی فرآیندها
• 91. مقدمه‌ای بر اخلاق در تحلیل داده
• 92. مسئولیت‌پذیری در مدل‌سازی
• 93. حفظ حریم خصوصی داده‌ها
• 94. شفافیت در الگوریتم‌ها
• 95. ملاحظات قانونی در استفاده از داده‌ها
• 96. قوانین حفاظت از داده‌ها در ایران
• 97. استانداردهای ملی برای تحلیل داده
• 98. نتیجه‌گیری و چشم‌انداز آینده
• 99. یادگیری مستمر و به‌روزرسانی دانش
• 100. کاربردهای پیشرفته رگرسیون در پژوهش