اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت و ارزیابی مدل‌های پیش‌بین در تحلیل رگرسیون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و ارزیابی مدل‌های پیش‌بین در تحلیل رگرسیون

موضوع کلی: علوم داده و تحلیل آماری

موضوع میانی: مدل‌سازی پیش‌بین و رگرسیون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل آماری
• 2. مفاهیم پایه در مدل‌سازی پیش‌بین
• 3. انواع مدل‌های رگرسیون خطی
• 4. ساخت مدل رگرسیون خطی ساده
• 5. تفسیر ضرایب در رگرسیون خطی
• 6. ارزیابی کیفیت برازش مدل
• 7. معیارهای ارزیابی مدل‌های رگرسیون
• 8. آزمون فرض در رگرسیون خطی
• 9. ناهمسانی واریانس در رگرسیون
• 10. خودهمبستگی خطاها در رگرسیون
• 11. مدل‌سازی با متغیرهای طبقه‌ای
• 12. رگرسیون لجستیک برای متغیر پاسخ دودویی
• 13. تفسیر ضرایب در رگرسیون لجستیک
• 14. ارزیابی مدل‌های رگرسیون لجستیک
• 15. مدل‌سازی با متغیر پاسخ چندحالتی
• 16. مقدمه‌ای بر رگرسیون پواسون
• 17. کاربرد رگرسیون پواسون در شمارش رویدادها
• 18. مدل‌سازی سری‌های زمانی در رگرسیون
• 19. مفاهیم پایه در تحلیل سری‌های زمانی
• 20. مدل‌های ARIMA برای پیش‌بینی
• 21. فصل‌گرایی و روند در سری‌های زمانی
• 22. تشخیص و حذف روند و فصل‌گرایی
• 23. مدل‌سازی رگرسیون با متغیرهای تأخیری
• 24. مقدمه‌ای بر یادگیری ماشین در پیش‌بینی
• 25. دسته‌بندی‌کننده‌ها در یادگیری ماشین
• 26. رگرسیون در یادگیری ماشین
• 27. درختان تصمیم برای پیش‌بینی
• 28. جنگل‌های تصادفی برای پیش‌بینی
• 29. ماشین‌های بردار پشتیبان (SVM)
• 30. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 31. شبکه‌های عصبی پیشخور
• 32. کاربرد شبکه‌های عصبی در پیش‌بینی
• 33. تنظیم مدل‌های پیش‌بین
• 34. اعتبارسنجی متقابل (Cross-Validation)
• 35. تنظیم فراپارامترها (Hyperparameter Tuning)
• 36. انتخاب بهترین مدل پیش‌بین
• 37. مهندسی ویژگی (Feature Engineering)
• 38. ساخت ویژگی‌های جدید برای مدل
• 39. انتخاب ویژگی (Feature Selection)
• 40. روش‌های مبتنی بر فیلتر
• 41. روش‌های مبتنی بر wrapper
• 42. روش‌های مبتنی بر embedded
• 43. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 44. رگرسیون کوانتایل
• 45. مدل‌های چندسطحی (Multilevel Models)
• 46. مقدمه‌ای بر تحلیل بقا
• 47. مدل کاپلان-مایر
• 48. مدل رگرسیون کاکس
• 49. کاربرد تحلیل بقا در پزشکی
• 50. کاربرد تحلیل بقا در مهندسی
• 51. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 52. تحلیل احساسات با مدل‌های رگرسیون
• 53. مدل‌سازی موضوعی (Topic Modeling)
• 54. کاربرد NLP در تحلیل داده‌های متنی
• 55. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی
• 56. مدل‌سازی روابط در شبکه‌های اجتماعی
• 57. کاربرد مدل‌های رگرسیون در تحلیل شبکه‌ها
• 58. مقدمه‌ای بر تحلیل داده‌های مکانی
• 59. مدل‌سازی رگرسیون مکانی
• 60. کاربرد تحلیل داده‌های مکانی در پیش‌بینی
• 61. مقدمه‌ای بر یادگیری تقویتی
• 62. کاربرد یادگیری تقویتی در بهینه‌سازی
• 63. مقدمه‌ای بر هوش مصنوعی مولد
• 64. مدل‌های زبانی بزرگ (LLMs)
• 65. کاربرد LLMs در تولید محتوا
• 66. مقدمه‌ای بر اخلاق در علوم داده
• 67. حریم خصوصی در تحلیل داده‌ها
• 68. سوگیری در مدل‌های پیش‌بین
• 69. مقابله با سوگیری در مدل‌ها
• 70. شفافیت در مدل‌های هوش مصنوعی
• 71. مسئولیت‌پذیری در علوم داده
• 72. مقدمه‌ای بر ابزارهای نرم‌افزاری
• 73. نرم‌افزار R برای تحلیل آماری
• 74. نرم‌افزار Python برای علوم داده
• 75. کتابخانه‌های کلیدی در Python
• 76. کاربرد کتابخانه scikit-learn
• 77. کاربرد کتابخانه pandas
• 78. کاربرد کتابخانه statsmodels
• 79. کاربرد کتابخانه TensorFlow
• 80. کاربرد کتابخانه PyTorch
• 81. مقدمه‌ای بر تجسم داده‌ها
• 82. نمودارهای پراکندگی برای رگرسیون
• 83. نمودارهای خطی برای روند
• 84. نمودارهای میله‌ای برای مقایسه
• 85. نمودارهای هیستوگرام برای توزیع
• 86. نمودارهای جعبه‌ای برای توزیع
• 87. نمودارهای حرارتی برای ماتریس‌ها
• 88. نمودارهای سری زمانی
• 89. نمودارهای نقشه حرارتی (Heatmaps)
• 90. نمودارهای شلوغی (Scatterplot Matrices)
• 91. نمودارهای پیش‌بینی و خطای مدل
• 92. نمودارهای باقی‌مانده‌ها
• 93. نمودارهای تاثیر نقاط پرت
• 94. نمودارهای تشخیص ناهمسانی واریانس
• 95. بررسی مفروضات مدل رگرسیون
• 96. اعتبارسنجی مدل‌های پیش‌بین
• 97. مراحل ساخت و ارزیابی مدل
• 98. کاربرد عملی مدل‌های رگرسیون در کسب‌وکار
• 99. کاربرد مدل‌های رگرسیون در علوم اجتماعی
• 100. کاربرد مدل‌های رگرسیون در بهداشت و درمان