دوره رگرسیون لجستیک: گام به گام با مفاهیم، الگوریتم‌ها و مثال‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رگرسیون لجستیک: گام به گام با مفاهیم، الگوریتم‌ها و مثال‌ها

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: رگرسیون لجستیک (Logistic Regression)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر رگرسیون لجستیک
• 2. تعریف متغیر وابسته در رگرسیون لجستیک
• 3. فهمیدن متغیرهای مستقل
• 4. کاربرد رگرسیون لجستیک در دنیای واقعی
• 5. مزایای رگرسیون لجستیک
• 6. محدودیت های رگرسیون لجستیک
• 7. رگرسیون لجستیک در مقابل رگرسیون خطی
• 8. تفاوت های کلیدی
• 9. شباهت های رگرسیون لجستیک و خطی
• 10. تاریخچه مختصری از رگرسیون لجستیک
• 11. مفهوم تابع سیگموئید
• 12. فرمول تابع سیگموئید
• 13. تفسیر خروجی تابع سیگموئید
• 14. تبدیل خروجی به احتمال
• 15. نقطه برش (Threshold) در رگرسیون لجستیک
• 16. اهمیت نقطه برش
• 17. تغییر نقطه برش و تاثیر آن
• 18. توابع هزینه در رگرسیون لجستیک
• 19. مفهوم تابع زیان (Loss Function)
• 20. زیان لگاریتمی (Log Loss)
• 21. چرا زیان لگاریتمی؟
• 22. فرمول زیان لگاریتمی
• 23. روش گرادیان کاهشی (Gradient Descent)
• 24. مفهوم گرادیان
• 25. نحوه محاسبه گرادیان
• 26. نرخ یادگیری (Learning Rate)
• 27. انتخاب نرخ یادگیری مناسب
• 28. تنظیم پارامترهای مدل (وزن ها و بایاس)
• 29. فرآیند بهینه سازی
• 30. حل مسائل با رگرسیون لجستیک: مثال کلاسیک
• 31. مشکل پیش بینی بیماری قلبی
• 32. داده های مورد نیاز
• 33. آماده سازی داده ها
• 34. انتخاب ویژگی ها
• 35. تقسیم داده ها به مجموعه آموزش و آزمون
• 36. مدل سازی با رگرسیون لجستیک
• 37. آموزش مدل
• 38. ارزیابی عملکرد مدل
• 39. معیارهای ارزیابی
• 40. دقت (Accuracy)
• 41. حساسیت (Sensitivity / Recall)
• 42. ویژگی (Specificity)
• 43. امتیاز F1 (F1 Score)
• 44. منحنی ROC و AUC
• 45. مفهوم منحنی ROC
• 46. منطقه زیر منحنی (AUC)
• 47. تفسیر ROC و AUC
• 48. مفهوم Overfitting و Underfitting
• 49. چگونه از Overfitting جلوگیری کنیم؟
• 50. Regularization (تنظیم یا منظم سازی)
• 51. L1 Regularization (Lasso)
• 52. L2 Regularization (Ridge)
• 53. تفاوت L1 و L2
• 54. تنظیم پارامترهای Regularization
• 55. رگرسیون لجستیک برای بیش از دو دسته (Multinomial Logistic Regression)
• 56. رویکرد One-vs-Rest (OvR)
• 57. رویکرد Softmax
• 58. مقایسه OvR و Softmax
• 59. پیاده سازی رگرسیون لجستیک با پایتون (Scikit-learn)
• 60. وارد کردن کتابخانه ها
• 61. بارگذاری داده ها
• 62. پیش پردازش داده ها
• 63. تقسیم داده ها
• 64. ایجاد و آموزش مدل
• 65. پیش بینی
• 66. ارزیابی مدل
• 67. مثال عملی: پیش بینی خرید کالا
• 68. مجموعه داده نمونه
• 69. تعریف متغیرهای مستقل و وابسته
• 70. فرایند آموزش
• 71. تفسیر نتایج
• 72. مثال عملی: تشخیص اسپم ایمیل
• 73. مجموعه داده نمونه
• 74. ویژگی های متنی
• 75. آماده سازی داده های متنی
• 76. آموزش و ارزیابی مدل
• 77. تحلیل حساسیت به داده های پرت (Outliers)
• 78. تاثیر داده های پرت بر مدل
• 79. روش های مدیریت داده های پرت
• 80. رگرسیون لجستیک و مقیاس پذیری
• 81. زمان اجرا و پیچیدگی محاسباتی
• 82. کاربرد در مجموعه داده های بزرگ
• 83. محدودیت های رگرسیون لجستیک در مسائل پیچیده
• 84. زمانی که رگرسیون لجستیک کافی نیست
• 85. معرفی الگوریتم های جایگزین
• 86. مدل های مبتنی بر درخت تصمیم
• 87. ماشین های بردار پشتیبان (SVM)
• 88. شبکه های عصبی
• 89. رگرسیون لجستیک در داده های سری زمانی
• 90. چالش های استفاده در سری زمانی
• 91. راهکارهای احتمالی
• 92. مباحث پیشرفته در رگرسیون لجستیک
• 93. کشف ویژگی های تعاملی
• 94. تفسیرپذیری مدل
• 95. تکنیک های توضیح پذیری مدل (XAI)
• 96. مقایسه رگرسیون لجستیک با سایر الگوریتم های طبقه بندی
• 97. رگرسیون لجستیک در مقابل K-نزدیکترین همسایه (KNN)
• 98. رگرسیون لجستیک در مقابل درخت تصمیم
• 99. رگرسیون لجستیک در مقابل Naive Bayes
• 100. رگرسیون لجستیک در مقابل SVM