کتاب صوتی مقدمه‌ای بر رگرسیون خطی و لجستیک در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر رگرسیون خطی و لجستیک در یادگیری ماشین

موضوع کلی: آمار و احتمال

موضوع میانی: مدل‌سازی آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار و احتمال در علم داده
• 2. مفاهیم پایه توزیع‌های احتمال
• 3. متغیرهای تصادفی گسسته و پیوسته
• 4. امید ریاضی و واریانس
• 5. توزیع‌های مهم گسسته: دوجمله‌ای، پواسون
• 6. توزیع‌های مهم پیوسته: نرمال، نمایی
• 7. مقدمه‌ای بر استنباط آماری
• 8. برآوردگرهای نقطه‌ای و فاصله‌ای
• 9. آزمون فرض آماری
• 10. خطای نوع اول و دوم
• 11. مقدمه‌ای بر رگرسیون خطی
• 12. مدل رگرسیون خطی ساده
• 13. مفروضات رگرسیون خطی
• 14. برآورد پارامترها با روش حداقل مربعات
• 15. تفسیر ضرایب رگرسیون
• 16. شاخص‌های ارزیابی مدل خطی
• 17. تحلیل واریانس (ANOVA) در رگرسیون
• 18. بررسی بقایا (Residuals)
• 19. تشخیص نقاط پرت و اثرگذار
• 20. رگرسیون خطی چندگانه
• 21. انتخاب متغیر در رگرسیون
• 22. مدل‌های تعاملی (Interaction)
• 23. مدل‌های چندجمله‌ای (Polynomial)
• 24. مقدمه‌ای بر رگرسیون لجستیک
• 25. تابع سیگموئید و ارتباط آن
• 26. مدل رگرسیون لجستیک باینری
• 27. برآورد پارامترها در رگرسیون لجستیک
• 28. تفسیر ضرایب رگرسیون لجستیک (Odds Ratio)
• 29. شاخص‌های ارزیابی مدل لجستیک
• 30. منحنی ROC و سطح زیر منحنی (AUC)
• 31. آستانه تصمیم‌گیری (Threshold)
• 32. رگرسیون لجستیک چندکلاسه (Multinomial)
• 33. رگرسیون لجستیک ترتیبی (Ordinal)
• 34. کاربرد رگرسیون در تشخیص و طبقه‌بندی
• 35. مقدمه‌ای بر یادگیری ماشین
• 36. یادگیری نظارت‌شده و بدون نظارت
• 37. مقدمه‌ای بر مدل‌های طبقه‌بندی
• 38. مقدمه‌ای بر مدل‌های رگرسیون
• 39. مقدمه‌ای بر ارزیابی مدل‌ها
• 40. داده‌های آموزشی، اعتبارسنجی و آزمون
• 41. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 42. تنظیم‌گری (Regularization) در مدل‌ها
• 43. مقدمه‌ای بر پردازش داده‌ها
• 44. پاکسازی داده‌ها
• 45. تبدیلات داده‌ها
• 46. مهندسی ویژگی (Feature Engineering)
• 47. مقدمه‌ای بر مدل‌های پیشرفته‌تر
• 48. مقدمه‌ای بر درخت‌های تصمیم
• 49. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 50. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 51. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 52. مقدمه‌ای بر کاهش ابعاد (Dimensionality Reduction)
• 53. مقدمه‌ای بر تحلیل عاملی (Factor Analysis)
• 54. مقدمه‌ای بر تحلیل مؤلفه‌های اصلی (PCA)
• 55. مقدمه‌ای بر تحلیل تشخیص (Discriminant Analysis)
• 56. مقدمه‌ای بر مدل‌های سری زمانی
• 57. مقدمه‌ای بر مدل‌های آماری در مالی
• 58. مقدمه‌ای بر مدل‌های آماری در بازاریابی
• 59. مقدمه‌ای بر مدل‌های آماری در پزشکی
• 60. مقدمه‌ای بر مدل‌های آماری در علوم اجتماعی
• 61. مقدمه‌ای بر مدل‌های آماری در مهندسی
• 62. مقدمه‌ای بر ابزارهای آماری (R, Python)
• 63. نصب و راه‌اندازی محیط‌های آماری
• 64. آشنایی با کتابخانه‌های آماری
• 65. بارگذاری داده‌ها در نرم‌افزار
• 66. انجام محاسبات آماری پایه
• 67. رسم نمودارهای آماری
• 68. پیاده‌سازی رگرسیون خطی با کد
• 69. پیاده‌سازی رگرسیون لجستیک با کد
• 70. ارزیابی مدل‌ها با استفاده از کد
• 71. نمایش آماری داده‌ها با کد
• 72. مقایسه مدل‌های مختلف
• 73. نمایش بصری نتایج رگرسیون
• 74. تفسیر نتایج عددی
• 75. اصول اخلاقی در تحلیل داده‌ها
• 76. حفظ حریم خصوصی داده‌ها
• 77. شفافیت در مدل‌سازی
• 78. ملاحظات قانونی در استفاده از داده‌ها
• 79. تأثیر مدل‌ها بر تصمیم‌گیری
• 80. مدیریت ریسک در مدل‌سازی
• 81. کاربرد مدل‌های آماری در صنعت
• 82. کاربرد مدل‌های آماری در کسب‌وکار
• 83. کاربرد مدل‌های آماری در پژوهش
• 84. چالش‌های مدل‌سازی آماری
• 85. آینده مدل‌سازی آماری
• 86. ملاحظات پیشرفته در رگرسیون خطی
• 87. ملاحظات پیشرفته در رگرسیون لجستیک
• 88. مدل‌های ترکیبی (Mixed Models)
• 89. مدل‌های خطی تعمیم‌یافته (GLM)
• 90. مقدمه‌ای بر مدل‌های احتمالی سلسله مراتبی
• 91. مقدمه‌ای بر مدل‌های بیزی
• 92. روش‌های نمونه‌گیری مارکوف چین (MCMC)
• 93. کاربرد ابزارهای بصری‌سازی پیشرفته
• 94. تحلیل حساسیت و عدم قطعیت
• 95. مدل‌سازی داده‌های فضایی
• 96. مدل‌سازی داده‌های شبکه‌ای
• 97. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 98. نکات کاربردی در انتخاب مدل
• 99. تکنیک‌های افزایش عملکرد مدل
• 100. حل مسائل واقعی با استفاده از مدل‌ها