فلش‌کارت‌های آموزشی مبانی استنباط آماری و مدل‌سازی پیش‌بین در تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی استنباط آماری و مدل‌سازی پیش‌بین در تحلیل داده

موضوع کلی: آمار و تحلیل داده

موضوع میانی: استنباط آماری و مدل‌سازی پیش‌بین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنباط آماری
• 2. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 3. خلاصه‌سازی داده‌های توصیفی
• 4. نمودارهای آماری و تفسیر آن‌ها
• 5. مبانی احتمال و توزیع‌های گسسته
• 6. توزیع‌های احتمال پیوسته
• 7. متغیرهای تصادفی و امید ریاضی
• 8. قضیه حد مرکزی و کاربردهای آن
• 9. مفاهیم نمونه و جامعه آماری
• 10. روش‌های نمونه‌گیری احتمالی
• 11. روش‌های نمونه‌گیری غیر احتمالی
• 12. خطای نمونه‌گیری و فواصل اطمینان
• 13. برآورد نقطه‌ای پارامترهای جامعه
• 14. برآورد فاصله‌ای پارامترهای جامعه
• 15. مبانی آزمون فرض آماری
• 16. مراحل انجام آزمون فرض
• 17. خطاهای نوع اول و دوم در آزمون فرض
• 18. توان آزمون آماری
• 19. آزمون فرض برای میانگین جامعه تک‌نمونه‌ای
• 20. آزمون فرض برای میانگین جامعه دو‌نمونه‌ای مستقل
• 21. آزمون فرض برای میانگین جامعه دو‌نمونه‌ای وابسته
• 22. آزمون فرض برای نسبت جامعه تک‌نمونه‌ای
• 23. آزمون فرض برای نسبت جامعه دو‌نمونه‌ای
• 24. آزمون فرض برای واریانس جامعه تک‌نمونه‌ای
• 25. آزمون فرض برای واریانس جامعه دو‌نمونه‌ای
• 26. تحلیل واریانس یک‌طرفه (ANOVA)
• 27. تحلیل واریانس دو‌طرفه (ANOVA)
• 28. مبانی رگرسیون خطی ساده
• 29. تخمین پارامترها در رگرسیون خطی ساده
• 30. آزمون فرض در رگرسیون خطی ساده
• 31. فاصله‌های اطمینان در رگرسیون خطی ساده
• 32. مفسر رگرسیون خطی ساده
• 33. مبانی رگرسیون خطی چندگانه
• 34. انتخاب مدل در رگرسیون خطی چندگانه
• 35. مفسر رگرسیون خطی چندگانه
• 36. تحلیل همبستگی و کوواریانس
• 37. همبستگی پیرسون و کاربردهای آن
• 38. ضریب تعیین (R-squared) و تفسیر آن
• 39. تشخیص و رفع هم‌خطی چندگانه
• 40. بررسی مفروضات مدل رگرسیون خطی
• 41. تحلیل باقی‌مانده‌ها در رگرسیون
• 42. روش‌های انتخاب متغیر در رگرسیون
• 43. رگرسیون لجستیک برای داده‌های طبقه‌ای
• 44. مدل‌های خطی تعمیم‌یافته (GLM)
• 45. مقدمه‌ای بر مدل‌سازی پیش‌بین
• 46. روش‌های ارزیابی مدل‌های پیش‌بین
• 47. خطای میانگین مربعات (MSE) و ریشه آن (RMSE)
• 48. خطای میانگین قدر مطلق (MAE)
• 49. مقدمه‌ای بر یادگیری ماشین
• 50. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 51. الگوریتم‌های طبقه‌بندی
• 52. الگوریتم‌های رگرسیون
• 53. مقدمه‌ای بر درخت تصمیم
• 54. ساخت و ارزیابی درخت تصمیم
• 55. پیش‌برش (Pruning) در درخت تصمیم
• 56. الگوریتم جنگل تصادفی (Random Forest)
• 57. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 58. تنظیم پارامترها در SVM
• 59. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 60. کاربرد شبکه‌های عصبی در پیش‌بینی
• 61. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 62. الگوریتم K-Means
• 63. ارزیابی نتایج خوشه‌بندی
• 64. مقدمه‌ای بر کاهش ابعاد
• 65. تحلیل مولفه‌های اصلی (PCA)
• 66. کاربرد PCA در تحلیل داده
• 67. مقدمه‌ای بر مدل‌های سری زمانی
• 68. مولفه‌های اصلی در سری زمانی (روند، فصلی، تصادفی)
• 69. مدل‌های ARIMA
• 70. ارزیابی مدل‌های سری زمانی
• 71. پیش‌بینی با مدل‌های سری زمانی
• 72. مقدمه‌ای بر تحلیل بقا
• 73. تابع بقا و تابع خطر
• 74. مدل کاکس (Cox Proportional Hazards Model)
• 75. کاربرد تحلیل بقا در علوم زیستی
• 76. کاربرد تحلیل بقا در مهندسی
• 77. مقدمه‌ای بر مدل‌های آماری بیزی
• 78. توزیع پیشین و پسین
• 79. قضیه بیز در استنباط آماری
• 80. مقدمه‌ای بر نرم‌افزارهای آماری
• 81. کار با R در تحلیل داده
• 82. کار با Python (کتابخانه‌های SciPy, NumPy, Pandas)
• 83. کار با SPSS در تحلیل داده
• 84. کار با SAS در تحلیل داده
• 85. تصمیم‌گیری آماری در عمل
• 86. کاربرد استنباط آماری در تحقیقات علمی
• 87. کاربرد مدل‌سازی پیش‌بین در کسب‌وکار
• 88. کاربرد استنباط آماری در اقتصاد
• 89. کاربرد مدل‌سازی پیش‌بین در صنعت
• 90. مطالعات موردی در استنباط آماری
• 91. مطالعات موردی در مدل‌سازی پیش‌بین
• 92. اخلاق در تحلیل داده
• 93. حفظ حریم خصوصی داده‌ها
• 94. مسئولیت‌پذیری در مدل‌سازی
• 95. آینده استنباط آماری و مدل‌سازی پیش‌بین
• 96. مباحث پیشرفته در استنباط آماری
• 97. مباحث پیشرفته در مدل‌سازی پیش‌بین
• 98. جمع‌بندی مباحث دوره