اپلیکیشن اندرویدی فلش‌کارت آموزشی مدل‌های خطی تعمیم‌یافته و رگرسیون در تحلیل داده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های خطی تعمیم‌یافته و رگرسیون در تحلیل داده‌ها

موضوع کلی: آمار و تحلیل داده‌ها

موضوع میانی: مدل‌های آماری پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته
• 2. مبانی رگرسیون خطی ساده
• 3. مفروضات رگرسیون خطی
• 4. برآورد پارامترها در رگرسیون خطی
• 5. آزمون فرض در رگرسیون خطی
• 6. شاخص‌های ارزیابی برازش مدل
• 7. تحلیل واریانس در رگرسیون
• 8. رگرسیون خطی چندگانه
• 9. انتخاب متغیر در رگرسیون
• 10. مشکل چندهم‌خطی (Multicollinearity)
• 11. رگرسیون با متغیرهای طبقه‌ای
• 12. مدل‌های تعاملی
• 13. رگرسیون چندجمله‌ای
• 14. تحلیل باقی‌مانده‌ها (Residual Analysis)
• 15. شناسایی و مدیریت داده‌های پرت (Outliers)
• 16. شناسایی نقاط اهرمی (Leverage Points)
• 17. روش‌های پیش‌بین (Predictive Modeling)
• 18. مبانی مدل‌های خطی تعمیم‌یافته (GLM)
• 19. تفاوت GLM با رگرسیون خطی کلاسیک
• 20. تابع پیوند (Link Function)
• 21. توزیع‌های احتمال در GLM
• 22. مدل رگرسیون پواسون (Poisson Regression)
• 23. کاربرد رگرسیون پواسون
• 24. مدل رگرسیون لجستیک (Logistic Regression)
• 25. کاربرد رگرسیون لجستیک
• 26. رگرسیون پروبیت (Probit Regression)
• 27. رگرسیون چندنامی (Multinomial Regression)
• 28. رگرسیون ترتیبی (Ordinal Regression)
• 29. مدل‌های رگرسیون کوانتایل (Quantile Regression)
• 30. کاربرد رگرسیون کوانتایل
• 31. مبانی مدل‌های مختلط (Mixed Models)
• 32. مدل‌های اثرات ثابت (Fixed Effects)
• 33. مدل‌های اثرات تصادفی (Random Effects)
• 34. مدل‌های اثرات مختلط (Mixed Effects Models)
• 35. کاربرد مدل‌های مختلط در تحلیل داده‌ها
• 36. مدل‌های سری زمانی خطی
• 37. مدل‌های ARIMA
• 38. تحلیل همبستگی سری زمانی
• 39. پیش‌بینی با مدل‌های سری زمانی
• 40. مقدمه‌ای بر مدل‌های غیرخطی
• 41. مدل‌های رگرسیون غیرخطی
• 42. روش‌های برآورد در رگرسیون غیرخطی
• 43. کاربرد مدل‌های غیرخطی
• 44. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 45. تابع بقا و تابع خطر (Hazard Function)
• 46. مدل کاپلان-مایر (Kaplan-Meier Estimator)
• 47. آزمون رانکو-ویلکاکسون (Log-Rank Test)
• 48. مدل رگرسیون کاکس (Cox Proportional Hazards Model)
• 49. کاربرد تحلیل بقا
• 50. مقدمه‌ای بر تحلیل داده‌های مکانی (Spatial Data Analysis)
• 51. مدل‌های رگرسیون مکانی
• 52. همبستگی مکانی (Spatial Autocorrelation)
• 53. کاربرد تحلیل داده‌های مکانی
• 54. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 55. رگرسیون در یادگیری ماشین
• 56. مدل‌های درخت تصمیم (Decision Trees)
• 57. جنگل تصادفی (Random Forests)
• 58. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 59. شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)
• 60. یادگیری عمیق (Deep Learning)
• 61. کاربرد یادگیری ماشین در تحلیل داده‌ها
• 62. مقدمه‌ای بر روش‌های نمونه‌گیری
• 63. نمونه‌گیری تصادفی ساده
• 64. نمونه‌گیری طبقه‌ای
• 65. نمونه‌گیری خوشه‌ای
• 66. نمونه‌گیری سیستماتیک
• 67. مقدمه‌ای بر آمار بیزی (Bayesian Statistics)
• 68. قضیه بیز (Bayes' Theorem)
• 69. توزیع پیشین و پسین
• 70. روش‌های نمونه‌گیری مونت کارلو زنجیره مارکوف (MCMC)
• 71. کاربرد آمار بیزی در تحلیل داده‌ها
• 72. مقدمه‌ای بر تحلیل داده‌های پرتکرار (Longitudinal Data Analysis)
• 73. مدل‌های اثرات مختلط برای داده‌های پرتکرار
• 74. مدل‌های معادله تخمین تعمیم‌یافته (GEE)
• 75. کاربرد تحلیل داده‌های پرتکرار
• 76. مقدمه‌ای بر مدل‌های ساختاری معادلات (SEM)
• 77. تحلیل عاملی تاییدی (Confirmatory Factor Analysis)
• 78. مدل‌های رگرسیون ساختاری
• 79. کاربرد SEM در علوم رفتاری
• 80. مقدمه‌ای بر تحلیل داده‌های کیفی
• 81. روش‌های کدگذاری در تحلیل کیفی
• 82. تحلیل مضمون (Thematic Analysis)
• 83. تحلیل محتوا (Content Analysis)
• 84. مصاحبه‌های نیمه‌ساختاریافته
• 85. کاربرد تحلیل داده‌های کیفی