کتاب الگوریتم‌های رگرسیون: linear و logistic regression
, ,

کتاب الگوریتم‌های رگرسیون: linear و logistic regression

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000009707 دسته: , , برچسب: , , , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب الگوریتم‌های رگرسیون: linear و logistic regression

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. What is Machine Learning?
  • 2. Supervised vs. Unsupervised Learning
  • 3. Regression vs. Classification Tasks
  • 4. Introduction to Regression Algorithms
  • 5. The Machine Learning Workflow
  • 6. Setting up Your Development Environment (Python, Libraries)
  • 7. Introduction to NumPy for Numerical Operations
  • 8. Introduction to Pandas for Data Manipulation
  • 9. Introduction to Matplotlib for Data Visualization
  • 10. Introduction to Seaborn for Enhanced Visualizations
  • 11. Variables: Independent, Dependent, Continuous, Discrete
  • 12. Measures of Central Tendency: Mean, Median, Mode
  • 13. Measures of Dispersion: Variance, Standard Deviation
  • 14. Introduction to Probability
  • 15. Probability Distributions (Normal Distribution concept)
  • 16. Introduction to Linear Algebra: Vectors and Matrices
  • 17. Vector Operations: Addition, Scalar Multiplication
  • 18. Matrix Operations: Addition, Multiplication
  • 19. Dot Product and its Significance
  • 20. Introduction to Calculus: Derivatives
  • 21. The Concept of a Gradient
  • 22. Correlation: Understanding Relationships Between Variables
  • 23. Covariance
  • 24. Pearson Correlation Coefficient
  • 25. Spurious Correlations
  • 26. Understanding Your Dataset: Initial Exploration
  • 27. Handling Missing Data: Imputation Techniques
  • 28. Identifying and Handling Outliers
  • 29. Categorical Data Encoding: One-Hot Encoding
  • 30. Categorical Data Encoding: Label Encoding
  • 31. Feature Scaling: Normalization (Min-Max Scaling)
  • 32. Feature Scaling: Standardization (Z-score Scaling)
  • 33. Introduction to Feature Engineering
  • 34. Creating New Features from Existing Ones
  • 35. Data Splitting: Training, Validation, and Test Sets
  • 36. Introduction to Simple Linear Regression
  • 37. The Linear Model Equation: y = b0 + b1*x
  • 38. Assumptions of Linear Regression
  • 39. Understanding the Error Term (Residuals)
  • 40. The Goal: Minimizing Errors
  • 41. Sum of Squared Residuals (SSR)
  • 42. The Ordinary Least Squares (OLS) Method
  • 43. Derivation of OLS Coefficients for Simple Linear Regression
  • 44. Interpreting the Regression Coefficients (Slope and Intercept)
  • 45. Implementing Simple Linear Regression from Scratch
  • 46. Using Scikit-learn for Simple Linear Regression
  • 47. Visualizing the Regression Line
  • 48. Understanding Residual Plots
  • 49. Homoscedasticity Check
  • 50. Normality of Residuals
  • 51. Introduction to Multiple Linear Regression
  • 52. The Multiple Linear Regression Equation
  • 53. Matrix Form of Linear Regression
  • 54. The Normal Equation for Multiple Linear Regression
  • 55. Gradient Descent: An Optimization Algorithm
  • 56. Understanding Learning Rate in Gradient Descent
  • 57. Batch Gradient Descent
  • 58. Stochastic Gradient Descent
  • 59. Mini-Batch Gradient Descent
  • 60. Comparing Normal Equation vs. Gradient Descent
  • 61. Introduction to Polynomial Regression
  • 62. Implementing Polynomial Regression
  • 63. Overfitting and Underfitting in Regression
  • 64. The Bias-Variance Tradeoff
  • 65. Introduction to Regularization
  • 66. Mean Absolute Error (MAE)
  • 67. Mean Squared Error (MSE)
  • 68. Root Mean Squared Error (RMSE)
  • 69. R-squared (Coefficient of Determination)
  • 70. Adjusted R-squared
  • 71. Interpreting R-squared Values
  • 72. Introduction to Multicollinearity
  • 73. Detecting Multicollinearity with VIF (Variance Inflation Factor)
  • 74. Handling Multicollinearity
  • 75. Cross-Validation for Robust Model Evaluation
  • 76. Introduction to Classification Problems
  • 77. Why Linear Regression is Not Suitable for Classification
  • 78. The Concept of a Sigmoid (Logistic) Function
  • 79. Introduction to Logistic Regression
  • 80. The Logistic Regression Hypothesis Function
  • 81. Interpreting Probabilities from Sigmoid Output
  • 82. Defining the Decision Boundary
  • 83. Understanding Likelihood
  • 84. Maximum Likelihood Estimation (MLE) for Logistic Regression
  • 85. The Cost Function for Logistic Regression (Log Loss / Cross-Entropy)
  • 86. Minimizing Log Loss with Gradient Descent
  • 87. Derivation of Logistic Regression Gradient
  • 88. Implementing Logistic Regression from Scratch
  • 89. Using Scikit-learn for Logistic Regression
  • 90. Multi-Class Classification: One-vs-Rest Strategy
  • 91. Introduction to Classification Metrics
  • 92. Confusion Matrix: TP, TN, FP, FN
  • 93. Accuracy Score
  • 94. Precision
  • 95. Recall (Sensitivity)
  • 96. F1-Score
  • 97. Specificity and Fallout
  • 98. ROC Curve and AUC Score
  • 99. Setting the Optimal Classification Threshold
  • 100. Handling Class Imbalance

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب الگوریتم‌های رگرسیون: linear و logistic regression”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا