دوره تفسیر ضرایب رگرسیون: درک اهمیت هر عامل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تفسیر ضرایب رگرسیون: درک اهمیت هر عامل

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: همبستگی و رگرسیون (Correlation and Regression)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تحلیل رگرسیون
• 2. مفاهیم پایه رگرسیون خطی ساده
• 3. تعریف متغیرهای وابسته و مستقل
• 4. مبانی مدل رگرسیون خطی
• 5. فرضیات مدل رگرسیون خطی
• 6. تخمین ضرایب رگرسیون: روش حداقل مربعات
• 7. تفسیر ضریب عرض از مبدأ (Intercept)
• 8. تفسیر شیب رگرسیون (Slope)
• 9. اهمیت ضریب تعیین (R-squared)
• 10. تفسیر ضریب تعیین در مدل‌های رگرسیون
• 11. آزمون فرض برای ضرایب رگرسیون
• 12. اهمیت آماری ضرایب رگرسیون
• 13. خطای استاندارد ضرایب
• 14. فاصله اطمینان برای ضرایب
• 15. مفهوم p-value و تفسیر آن
• 16. تحلیل واریانس (ANOVA) در رگرسیون
• 17. F-statistic و آزمون کلی مدل
• 18. رگرسیون خطی چندگانه: مقدمه
• 19. تفسیر ضرایب در رگرسیون چندگانه
• 20. مشکل هم‌خطی (Multicollinearity)
• 21. تشخیص هم‌خطی
• 22. راهکارهای مقابله با هم‌خطی
• 23. مدل‌های انتخاب متغیر در رگرسیون
• 24. روش گام به گام (Stepwise Regression)
• 25. روش حذف تدریجی (Backward Elimination)
• 26. روش ورود تدریجی (Forward Selection)
• 27. محدودیت‌های روش‌های انتخاب متغیر
• 28. متغیرهای مجازی (Dummy Variables)
• 29. کاربرد متغیرهای مجازی در رگرسیون
• 30. مدل‌های رگرسیون با متغیرهای دسته‌ای
• 31. تفسیر ضرایب متغیرهای مجازی
• 32. متغیرهای تعاملی (Interaction Terms)
• 33. تفسیر ضرایب متغیرهای تعاملی
• 34. اهمیت تعامل متغیرها
• 35. رگرسیون غیرخطی: مقدمه
• 36. مدل‌های رگرسیون چندجمله‌ای
• 37. تفسیر ضرایب در رگرسیون چندجمله‌ای
• 38. رگرسیون لجستیک (Logistic Regression)
• 39. کاربرد رگرسیون لجستیک برای متغیرهای وابسته دودویی
• 40. تفسیر ضرایب در رگرسیون لجستیک
• 41. نسبت شانس (Odds Ratio)
• 42. رگرسیون پواسون (Poisson Regression)
• 43. کاربرد رگرسیون پواسون برای داده‌های شمارشی
• 44. تفسیر ضرایب در رگرسیون پواسون
• 45. تحلیل باقی‌مانده‌ها (Residual Analysis)
• 46. بررسی فرض نرمال بودن باقی‌مانده‌ها
• 47. بررسی فرض همگنی واریانس باقی‌مانده‌ها
• 48. بررسی فرض استقلال باقی‌مانده‌ها
• 49. شناسایی نقاط پرت (Outliers)
• 50. شناسایی نقاط اهرمی (Leverage Points)
• 51. شاخص کوک (Cook's Distance)
• 52. تأثیر نقاط پرت و اهرمی بر مدل
• 53. مدل‌های رگرسیون وزنی (Weighted Regression)
• 54. کاربرد رگرسیون وزنی
• 55. رگرسیون با داده‌های سری زمانی: مقدمه
• 56. مدل‌های ARIMA
• 57. تفسیر ضرایب در مدل‌های سری زمانی
• 58. مدل‌های رگرسیون پانل دیتا (Panel Data Regression)
• 59. کاربرد رگرسیون پانل دیتا
• 60. تفسیر ضرایب در رگرسیون پانل دیتا
• 61. رگرسیون مقاوم (Robust Regression)
• 62. کاربرد رگرسیون مقاوم
• 63. مدل‌های رگرسیون غیرپارامتری
• 64. رگرسیون کرنل (Kernel Regression)
• 65. تفسیر ضرایب در رگرسیون غیرپارامتری
• 66. ارزیابی و انتخاب مدل رگرسیون
• 67. معیارهای انتخاب مدل (AIC, BIC)
• 68. اعتبارسنجی مدل رگرسیون
• 69. اعتبارسنجی متقابل (Cross-validation)
• 70. کاربرد رگرسیون در تصمیم‌گیری‌های مدیریتی
• 71. کاربرد رگرسیون در تحقیقات بازار
• 72. کاربرد رگرسیون در پیش‌بینی فروش
• 73. کاربرد رگرسیون در تحلیل ریسک
• 74. کاربرد رگرسیون در بهینه‌سازی فرآیندها
• 75. کاربرد رگرسیون در علوم اجتماعی
• 76. کاربرد رگرسیون در علوم پزشکی
• 77. کاربرد رگرسیون در مهندسی
• 78. کاربرد رگرسیون در علوم محیط زیست
• 79. کاربرد رگرسیون در اقتصاد سنجی
• 80. محدودیت‌های رگرسیون و تفسیر نتایج
• 81. تفسیر نتایج رگرسیون در چارچوب علمی
• 82. مسائل اخلاقی در تحلیل رگرسیون
• 83. ارائه گزارش نتایج رگرسیون
• 84. نرم‌افزارهای آماری برای رگرسیون
• 85. مقدمه‌ای بر نرم‌افزار R برای رگرسیون
• 86. مقدمه‌ای بر نرم‌افزار SPSS برای رگرسیون
• 87. مقدمه‌ای بر نرم‌افزار Stata برای رگرسیون
• 88. تمرینات عملی تحلیل رگرسیون
• 89. مطالعات موردی در تحلیل ضرایب رگرسیون
• 90. جمع‌بندی و گام‌های بعدی در تحلیل رگرسیون