اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل رگرسیون برای پیش‌بینی و مدل‌سازی روابط متغیرها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل رگرسیون برای پیش‌بینی و مدل‌سازی روابط متغیرها

موضوع کلی: آمار و تحلیل داده

موضوع میانی: مدل‌سازی آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل رگرسیون
• 2. مفاهیم پایه در رگرسیون خطی ساده
• 3. نمودار پراکندگی و تفسیر آن
• 4. برآورد پارامترهای مدل رگرسیون خطی ساده
• 5. روش حداقل مربعات معمولی (OLS)
• 6. تفسیر ضرایب رگرسیون
• 7. اندازه‌گیری نیکویی برازش مدل (R-squared)
• 8. آزمون فرض در رگرسیون خطی ساده
• 9. آزمون t برای ضرایب انفرادی
• 10. آزمون F برای کل مدل
• 11. مفروضات مدل رگرسیون خطی ساده
• 12. تحلیل باقی‌مانده‌ها (Residual Analysis)
• 13. بررسی نرمال بودن باقی‌مانده‌ها
• 14. بررسی همسانی واریانس باقی‌مانده‌ها
• 15. بررسی عدم خودهمبستگی باقی‌مانده‌ها
• 16. شناسایی و برخورد با داده‌های پرت (Outliers)
• 17. رگرسیون خطی چندگانه: مقدمه
• 18. مدل رگرسیون خطی چندگانه
• 19. برآورد پارامترها در رگرسیون چندگانه
• 20. تفسیر ضرایب در رگرسیون چندگانه
• 21. آزمون فرض در رگرسیون چندگانه
• 22. آزمون F برای مدل رگرسیون چندگانه
• 23. آزمون t برای ضرایب انفرادی در رگرسیون چندگانه
• 24. مشکل هم‌خطی چندگانه (Multicollinearity)
• 25. تشخیص هم‌خطی چندگانه
• 26. برخورد با هم‌خطی چندگانه
• 27. متغیرهای مجازی (Dummy Variables)
• 28. استفاده از متغیرهای مجازی در مدل رگرسیون
• 29. مدل‌های رگرسیون با متغیرهای مجازی
• 30. تحلیل تعامل بین متغیرها
• 31. مدل‌های رگرسیون با جملات تعاملی
• 32. تفسیر ضرایب تعاملی
• 33. انتخاب بهترین مدل رگرسیون
• 34. معیارهای انتخاب مدل (AIC, BIC)
• 35. روش‌های گام به گام انتخاب متغیر
• 36. رگرسیون با متغیرهای طبقه‌بندی شده
• 37. رگرسیون غیرخطی: مقدمه
• 38. مدل‌های رگرسیون چندجمله‌ای
• 39. تبدیل متغیرها برای خطی‌سازی مدل
• 40. رگرسیون با توابع نمایی و لگاریتمی
• 41. رگرسیون لجستیک برای متغیرهای وابسته دوتایی
• 42. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 43. مدل پواسون برای داده‌های شمارشی
• 44. تحلیل رگرسیون وزنی (Weighted Regression)
• 45. رگرسیون با داده‌های سری زمانی: مقدمه
• 46. مدل‌های خودرگرسیون (AR)
• 47. مدل‌های میانگین متحرک (MA)
• 48. مدل‌های ARIMA
• 49. شناسایی و برازش مدل‌های سری زمانی
• 50. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 51. تحلیل رگرسیون ناپارامتری
• 52. مقدمه‌ای بر یادگیری ماشین و رگرسیون
• 53. درختان تصمیم برای رگرسیون
• 54. جنگل‌های تصادفی (Random Forests) برای رگرسیون
• 55. ماشین‌های بردار پشتیبان (SVM) برای رگرسیون
• 56. شبکه‌های عصبی مصنوعی برای رگرسیون
• 57. مقدمه‌ای بر تحلیل بقا (Survival Analysis)
• 58. تابع بقا و تابع خطر (Hazard Function)
• 59. مدل کاکس (Cox Proportional Hazards Model)
• 60. تفسیر نتایج تحلیل بقا
• 61. مقدمه‌ای بر تحلیل عاملی (Factor Analysis)
• 62. مدل‌سازی معادلات ساختاری (SEM)
• 63. مقدمه‌ای بر تجزیه و تحلیل خوشه‌ای (Cluster Analysis)
• 64. کاربرد رگرسیون در علوم اجتماعی
• 65. کاربرد رگرسیون در اقتصاد
• 66. کاربرد رگرسیون در پزشکی و بهداشت
• 67. کاربرد رگرسیون در مهندسی
• 68. کاربرد رگرسیون در مدیریت
• 69. بررسی و اعتبارسنجی مدل‌های رگرسیون
• 70. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation)
• 71. کاهش ابعاد در تحلیل داده
• 72. مقدمه‌ای بر آمار بیزی و رگرسیون
• 73. روش‌های شبیه‌سازی مونت کارلو زنجیره مارکوف (MCMC)
• 74. رگرسیون بیزی
• 75. مدل‌های رگرسیون با اثرات مختلط (Mixed Effects Models)
• 76. کاربرد رگرسیون در کشف الگو
• 77. مقدمه‌ای بر داده‌کاوی و رگرسیون
• 78. روش‌های ارزیابی عملکرد پیش‌بینی
• 79. ملاحظات اخلاقی در تحلیل رگرسیون
• 80. مسائل حریم خصوصی در داده‌ها
• 81. استفاده از نرم‌افزارهای آماری (R, Python)
• 82. مقدمه‌ای بر نرم‌افزار R برای رگرسیون
• 83. دستورات پایه رگرسیون در R
• 84. رسم نمودارها در R
• 85. مقدمه‌ای بر کتابخانه scikit-learn در Python
• 86. پیاده‌سازی مدل‌های رگرسیون در Python
• 87. مقدمه‌ای بر نرم‌افزار SPSS برای رگرسیون
• 88. انجام تحلیل رگرسیون در SPSS
• 89. کاربرد رگرسیون در تحلیل داده‌های حجیم (Big Data)
• 90. مقدمه‌ای بر رگرسیون کوانتیل (Quantile Regression)
• 91. تحلیل رگرسیون در حضور داده‌های گمشده
• 92. روش‌های جایگزینی داده‌های گمشده
• 93. مقدمه‌ای بر تحلیل سری‌های زمانی مالی
• 94. مدل‌های نوسان (Volatility Models)
• 95. کاربرد رگرسیون در بهینه‌سازی
• 96. مقدمه‌ای بر یادگیری تقویتی و رگرسیون
• 97. روش‌های مدل‌سازی پیشرفته
• 98. تحلیل حساسیت در مدل‌های رگرسیون
• 99. تفسیر نتایج مدل‌های پیچیده
• 100. ارائه نتایج تحلیل رگرسیون به ذینفعان