دوره تحلیل داده‌های پیشرفته با رگرسیون لجستیک در R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های پیشرفته با رگرسیون لجستیک در R

موضوع کلی: علوم کامپیوتر و تحلیل داده

موضوع میانی: یادگیری ماشین و مدل‌سازی آماری

📋 سرفصل‌های دوره

• 1. مبانی رگرسیون لجستیک در تحلیل داده
• 2. مقدمه‌ای بر تحلیل داده با R
• 3. نصب و پیکربندی محیط R
• 4. مفاهیم پایه آمار و احتمال در R
• 5. آماده‌سازی داده‌ها برای مدل‌سازی
• 6. پاکسازی و پیش‌پردازش داده‌ها
• 7. شناسایی و مدیریت مقادیر پرت
• 8. نمایش داده‌های کیفی و کمی
• 9. مفهوم متغیرهای مستقل و وابسته
• 10. انواع رگرسیون و کاربردهای آن
• 11. معرفی رگرسیون لجستیک
• 12. تفاوت رگرسیون لجستیک با رگرسیون خطی
• 13. فرمول‌بندی رگرسیون لجستیک
• 14. توابع سیگموئید و لاجیت
• 15. تفسیر ضرایب رگرسیون لجستیک
• 16. تخمین پارامترها: روش حداکثر درست‌نمایی
• 17. پیاده‌سازی رگرسیون لجستیک در R
• 18. تابع glm() برای مدل‌سازی
• 19. ساخت اولین مدل رگرسیون لجستیک
• 20. بررسی خلاصه‌ی مدل و معناداری ضرایب
• 21. ارزیابی عملکرد مدل رگرسیون لجستیک
• 22. معیارهای سنجش دقت مدل (Accuracy)
• 23. ماتریس درهم‌ریختگی (Confusion Matrix)
• 24. حساسیت، ویژگی و امتیاز F1
• 25. منحنی ROC و سطح زیر منحنی (AUC)
• 26. آستانه تصمیم‌گیری در طبقه‌بندی
• 27. تنظیم آستانه برای بهبود عملکرد
• 28. مدل‌سازی با داده‌های طبقه‌بندی دودویی
• 29. پیش‌بینی احتمال وقوع رویداد
• 30. کاربرد رگرسیون لجستیک در پیش‌بینی
• 31. مثال کاربردی: پیش‌بینی ریزش مشتری
• 32. مدل‌سازی پیش‌بینی تقلب در تراکنش‌ها
• 33. رگرسیون لجستیک برای داده‌های چندکلاسه
• 34. روش One-vs-Rest (OvR)
• 35. روش Multinomial Logistic Regression
• 36. پیاده‌سازی مدل‌های چندکلاسه در R
• 37. ارزیابی مدل‌های چندکلاسه
• 38. مفاهیم پیشرفته در رگرسیون لجستیک
• 39. مهار کردن (Regularization) در مدل‌سازی
• 40. L1 و L2 Regularization
• 41. تاثیر Regularization بر ضرایب مدل
• 42. انتخاب بهترین مدل با Cross-validation
• 43. اعتبارسنجی متقابل K-fold
• 44. تنظیم فراپارامترها (Hyperparameter Tuning)
• 45. جستجوی شبکه‌ای (Grid Search)
• 46. کاربرد رگرسیون لجستیک در سلامت
• 47. پیش‌بینی بیماری‌ها بر اساس علائم
• 48. مدل‌سازی ریسک ابتلا به بیماری
• 49. کاربرد رگرسیون لجستیک در مالی
• 50. پیش‌بینی اعتبارسنجی مشتریان بانکی
• 51. مدل‌سازی ریسک نکول وام
• 52. کاربرد رگرسیون لجستیک در بازاریابی
• 53. بخش‌بندی مشتریان بر اساس رفتار خرید
• 54. پیش‌بینی اثربخشی کمپین‌های تبلیغاتی
• 55. ملاحظات عملی در ساخت مدل
• 56. اهمیت انتخاب متغیرهای مناسب
• 57. تشخیص هم‌خطی (Multicollinearity)
• 58. روش‌های مدیریت هم‌خطی
• 59. تفسیر نتایج در چارچوب علمی
• 60. اصول اخلاقی در تحلیل داده
• 61. حفظ حریم خصوصی داده‌ها
• 62. مسئولیت‌پذیری در استفاده از مدل‌ها
• 63. مقایسه رگرسیون لجستیک با سایر روش‌ها
• 64. درخت تصمیم (Decision Trees)
• 65. ماشین بردار پشتیبان (SVM)
• 66. شبکه‌های عصبی پرسپترون چندلایه
• 67. معرفی کتابخانه‌های پیشرفته R برای یادگیری ماشین
• 68. Carett Package
• 69. Tidymodels Framework
• 70. کار با داده‌های حجیم و کلان‌داده
• 71. مفاهیم اولیه پردازش کلان‌داده
• 72. استفاده از R برای تحلیل داده‌های بزرگ
• 73. مقدمه‌ای بر مفاهیم آماری پیشرفته
• 74. توزیع‌های آماری پرکاربرد
• 75. آزمون فرض آماری
• 76. مفهوم p-value و تفسیر آن
• 77. روش‌های استنتاج آماری
• 78. مدل‌سازی سری‌های زمانی مقدماتی
• 79. مفاهیم پایه مدل‌سازی سری زمانی
• 80. کاربرد رگرسیون لجستیک در پیش‌بینی روند
• 81. مقدمه‌ای بر یادگیری عمیق
• 82. شبکه‌های عصبی کانولوشنال (CNN)
• 83. شبکه‌های عصبی بازگشتی (RNN)
• 84. کاربرد CNN و RNN در تحلیل داده
• 85. اصول بصری‌سازی داده‌های پیچیده
• 86. نمودارهای تعاملی در R
• 87. کاربرد Plotly و Shiny
• 88. نمایش نتایج مدل به صورت گرافیکی
• 89. مقدمه‌ای بر یادگیری تقویتی
• 90. مفاهیم عامل، محیط و پاداش
• 91. کاربرد یادگیری تقویتی در بهینه‌سازی
• 92. پیش‌بینی رفتارهای پیچیده انسانی
• 93. مدل‌سازی ریسک در سیستم‌های پیچیده
• 94. اصول مهندسی ویژگی (Feature Engineering)
• 95. ایجاد ویژگی‌های جدید از داده‌های موجود
• 96. اهمیت ترکیب ویژگی‌ها
• 97. بهینه‌سازی مدل برای پیاده‌سازی
• 98. ملاحظات مربوط به سرعت و حافظه
• 99. استقرار مدل در محیط عملیاتی
• 100. آموزش مداوم مدل‌ها