کتاب صوتی مدل‌های رگرسیون چندوجهی: مبانی و کاربردها در تحلیل داده‌های طبقه‌بندی شده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های رگرسیون چندوجهی: مبانی و کاربردها در تحلیل داده‌های طبقه‌بندی شده

موضوع کلی: آمار و تحلیل داده‌ها

موضوع میانی: مدل‌های رگرسیون پیشرفته

📋 سرفصل‌های دوره

• 1. مبانی مدل‌های رگرسیون طبقه‌بندی شده
• 2. مقدمه‌ای بر مدل‌های رگرسیون لجستیک
• 3. مدل رگرسیون لجستیک دوتایی
• 4. تفسیر ضرایب در مدل لجستیک دوتایی
• 5. مفروضات مدل رگرسیون لجستیک
• 6. ارزیابی برازش مدل لجستیک
• 7. آزمون نسبت درستنمایی
• 8. آزمون والدم
• 9. آزمون گرگ-ولدم
• 10. معیارهای ارزیابی مدل (AIC, BIC)
• 11. کاربرد مدل لجستیک در پیش‌بینی
• 12. مثال کاربردی: پیش‌بینی خرید محصول
• 13. مدل رگرسیون لجستیک چندنامی
• 14. تفاوت مدل لجستیک دوتایی و چندنامی
• 15. انتخاب متغیر مرجع در مدل چندنامی
• 16. مدل لجستیک چندنامی multinomial logit
• 17. مدل لجستیک چندنامی ordered logit
• 18. تفسیر ضرایب در مدل چندنامی
• 19. مفروضات مدل چندنامی
• 20. ارزیابی برازش مدل چندنامی
• 21. کاربرد مدل چندنامی در تحلیل داده‌های نظرسنجی
• 22. مثال کاربردی: تحلیل انتخاب شغل
• 23. مدل رگرسیون لجستیک شرطی (Conditional Logit)
• 24. مفهوم انتخاب در مدل شرطی
• 25. کاربرد مدل شرطی در اقتصاد خرد
• 26. مثال کاربردی: تحلیل انتخاب حمل و نقل
• 27. مدل رگرسیون لجستیک شرطی برای داده‌های پنل
• 28. نکات عملی در پیاده‌سازی مدل‌های رگرسیون طبقه‌بندی شده
• 29. انتخاب بین مدل‌های مختلف رگرسیون طبقه‌بندی شده
• 30. تحلیل حساسیت در مدل‌های رگرسیون طبقه‌بندی شده
• 31. شناسایی و مدیریت داده‌های پرت
• 32. بررسی هم‌خطی متغیرهای مستقل
• 33. روش‌های انتخاب متغیر
• 34. مقدمه‌ای بر تحلیل داده‌های طبقه‌بندی شده
• 35. داده‌های طبقه‌بندی شده و انواع آن‌ها
• 36. ماتریس درهم‌ریختگی (Confusion Matrix)
• 37. شاخص‌های ارزیابی مدل طبقه‌بندی (دقت، صحت، حساسیت)
• 38. منحنی ROC و سطح زیر منحنی (AUC)
• 39. کاربرد مدل‌های رگرسیون در یادگیری ماشین
• 40. تفاوت مدل‌های آماری و یادگیری ماشین
• 41. مدل‌های طبقه‌بندی در یادگیری ماشین
• 42. شبکه‌های عصبی برای مسائل طبقه‌بندی
• 43. ماشین‌های بردار پشتیبان (SVM)
• 44. درخت‌های تصمیم
• 45. جنگل‌های تصادفی (Random Forest)
• 46. مدل‌های بوستینگ (Gradient Boosting)
• 47. مقایسه مدل‌های مختلف طبقه‌بندی
• 48. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 49. اعتبارسنجی متقابل (Cross-Validation)
• 50. پیش‌پردازش داده‌ها برای مدل‌های طبقه‌بندی
• 51. مهندسی ویژگی (Feature Engineering)
• 52. مدیریت داده‌های نامتوازن
• 53. روش‌های نمونه‌برداری مجدد (Resampling)
• 54. مدل‌سازی انتخاب چندگانه
• 55. مدل‌های انتخاب گسسته
• 56. کاربرد مدل‌های انتخاب گسسته در بازاریابی
• 57. تحلیل سبد سهام با مدل‌های رگرسیون
• 58. پیش‌بینی ریسک اعتباری
• 59. مدل‌سازی رفتار مصرف‌کننده
• 60. تحلیل داده‌های سلامت
• 61. مدل‌سازی پیشرفت بیماری
• 62. کاربرد مدل‌های رگرسیون در علوم اجتماعی
• 63. تحلیل پدیده‌های اجتماعی
• 64. پیش‌بینی رفتار رای‌دهندگان
• 65. مدل‌سازی مهاجرت
• 66. تحلیل داده‌های زیست‌محیطی
• 67. مدل‌سازی آلودگی هوا
• 68. پیش‌بینی بلایای طبیعی
• 69. کاربرد مدل‌های رگرسیون در مهندسی
• 70. بهینه‌سازی فرآیندها
• 71. پیش‌بینی خرابی تجهیزات
• 72. تحلیل پایداری سازه‌ها
• 73. مدل‌سازی پدیده‌های فیزیکی
• 74. مدل‌سازی جریان سیالات
• 75. تحلیل انتقال حرارت
• 76. مدل‌سازی رفتار مواد
• 77. کاربرد مدل‌های رگرسیون در مالی
• 78. ارزیابی اوراق بهادار
• 79. پیش‌بینی روندهای بازار
• 80. مدیریت ریسک مالی
• 81. مدل‌سازی قیمت‌گذاری دارایی‌ها
• 82. تحلیل سری‌های زمانی مالی
• 83. مدل‌سازی نوسانات بازار
• 84. کاربرد مدل‌های رگرسیون در علوم داده
• 85. استخراج دانش از داده‌ها
• 86. ساخت داشبوردهای تحلیلی
• 87. ارائه گزارش‌های مدیریتی
• 88. توسعه ابزارهای تصمیم‌گیری
• 89. یادگیری عمیق برای تحلیل داده‌های طبقه‌بندی شده
• 90. مدل‌های ترنسفورمر (Transformer)
• 91. کاربرد مدل‌های ترنسفورمر در پردازش زبان طبیعی
• 92. مدل‌های گراف عصبی (Graph Neural Networks)
• 93. کاربرد مدل‌های گراف عصبی در تحلیل شبکه‌ها
• 94. اخلاق در تحلیل داده‌ها و مدل‌سازی
• 95. حفظ حریم خصوصی داده‌ها
• 96. سوگیری در الگوریتم‌ها
• 97. مسئولیت‌پذیری در مدل‌سازی
• 98. آینده تحلیل داده‌ها و مدل‌های رگرسیون
• 99. روندهای نوظهور در مدل‌سازی
• 100. هوش مصنوعی قابل تفسیر (Explainable AI)