سپنتا کتاب اکسپرس
کتاب کشف بینش‌های پنهان: تسلط بر رگرسیون و مدل‌های سلسله‌مراتبی برای تحلیل داده‌های واقعی

کتاب کشف بینش‌های پنهان: تسلط بر رگرسیون و مدل‌های سلسله‌مراتبی برای تحلیل داده‌های واقعی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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 کشف بینش‌های پنهان: تسلط بر رگرسیون و مدل‌های سلسله‌مراتبی برای تحلیل داده‌های واقعی

موضوع کلی: علم داده کاربردی

موضوع میانی: مدل‌سازی رگرسیونی و سلسله‌مراتبی

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر علم داده کاربردی و تفکر آماری
  • 2. چرا مدل‌سازی؟ فراتر از داشبوردهای مدیریتی
  • 3. معرفی مجموعه داده‌های واقعی برای دوره
  • 4. آماده‌سازی محیط کار: R، پایتون و ابزارهای کلیدی
  • 5. مفاهیم پایه‌ای احتمال: از توزیع‌ها تا قضیه بیز
  • 6. استنباط آماری: برآورد، فواصل اطمینان و آزمون فرض
  • 7. کاوش و مصورسازی داده‌ها: اولین گام در تحلیل
  • 8. مفهوم همبستگی در مقابل علیت: یک اشتباه رایج
  • 9. رگرسیون خطی ساده: ساخت اولین مدل
  • 10. تفسیر ضرایب رگرسیون: شیب و عرض از مبدأ
  • 11. معیار R-squared: چقدر مدل ما خوب است؟
  • 12. مفروضات رگرسیون خطی: آشنایی با L.I.N.E
  • 13. تشخیص بصری باقیمانده‌ها برای ارزیابی مدل
  • 14. ورود به رگرسیون چندگانه: افزودن متغیرهای پیش‌بین
  • 15. تفسیر ضرایب در رگرسیون چندگانه
  • 16. مشکل هم‌خطی چندگانه (Multicollinearity) و راه‌های تشخیص آن
  • 17. متغیرهای پیش‌بین طبقه‌ای: استفاده از Dummy Variables
  • 18. تبدیل متغیرها: لگاریتم، ریشه دوم و معکوس
  • 19. اثرات متقابل (Interaction Effects): زمانی که متغیرها با هم کار می‌کنند
  • 20. تفسیر و مصورسازی اثرات متقابل
  • 21. مرکزیت (Centering) و استانداردسازی (Standardizing) متغیرها
  • 22. مقایسه مدل‌ها: R-squared تعدیل‌شده، AIC و BIC
  • 23. تشخیص نقاط پرت (Outliers) و نقاط اهرمی (Leverage Points)
  • 24. روش‌های انتخاب متغیر: Forward, Backward, Stepwise
  • 25. پیش‌بینی با مدل‌های رگرسیونی: ساخت و ارزیابی پیش‌بینی‌ها
  • 26. اعتبارسنجی متقابل (Cross-Validation) برای ارزیابی عملکرد مدل
  • 27. فراتر از خطوط مستقیم: رگرسیون چندجمله‌ای
  • 28. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLMs)
  • 29. رگرسیون لجستیک: مدل‌سازی خروجی‌های دوتایی
  • 30. تفسیر ضرایب رگرسیون لجستیک: شانس و نسبت شانس (Odds Ratios)
  • 31. ارزیابی مدل‌های لجستیک: منحنی ROC و ماتریس درهم‌ریختگی
  • 32. رگرسیون پواسون: مدل‌سازی داده‌های شمارشی
  • 33. مشکل بیش‌پراکنش (Overdispersion) در مدل‌های پواسون
  • 34. رگرسیون دوجمله‌ای منفی (Negative Binomial)
  • 35. مقدمه‌ای بر استنباط علی (Causal Inference)
  • 36. متغیرهای مخدوش‌کننده (Confounding Variables)
  • 37. چارچوب نتایج بالقوه (Potential Outcomes Framework)
  • 38. استفاده از رگرسیون برای تخمین اثرات علی
  • 39. طرح گسستگی رگرسیون (Regression Discontinuity Design)
  • 40. مفهوم متغیرهای ابزاری (Instrumental Variables)
  • 41. داده‌های تودرتو (Nested Data) چیست؟ چرا رگرسیون معمولی شکست می‌خورد؟
  • 42. مثال‌هایی از ساختارهای داده سلسله‌مراتبی: دانش‌آموزان در مدارس، بیماران در بیمارستان‌ها
  • 43. مشکل عدم استقلال خطاها در داده‌های خوشه‌ای
  • 44. تجمیع کامل (Complete Pooling) در مقابل عدم تجمیع (No Pooling)
  • 45. مسیر میانه: تجمیع جزئی (Partial Pooling) و مفهوم انقباض (Shrinkage)
  • 46. معرفی مدل‌های چندسطحی/سلسله‌مراتبی
  • 47. اثرات ثابت (Fixed Effects) در مقابل اثرات تصادفی (Random Effects)
  • 48. اولین مدل چندسطحی: مدل فقط با عرض از مبدأ تصادفی (Random-Intercept Model)
  • 49. تفسیر واریانس بین گروهی و درون گروهی
  • 50. پیاده‌سازی مدل عرض از مبدأ تصادفی در R/Python
  • 51. مصورسازی نتایج مدل‌های چندسطحی
  • 52. تخمین‌های سطح گروهی و پدیده انقباض (Shrinkage)
  • 53. افزودن پیش‌بین‌های سطح ۱ (سطح فردی)
  • 54. افزودن پیش‌بین‌های سطح ۲ (سطح گروهی)
  • 55. مدل شیب تصادفی (Random-Slope Model): وقتی اثرات در گروه‌ها متفاوت است
  • 56. تفسیر واریانس شیب‌ها
  • 57. پیاده‌سازی مدل شیب تصادفی
  • 58. مدل‌های عرض از مبدأ و شیب تصادفی
  • 59. تفسیر کوواریانس بین عرض از مبدأ و شیب
  • 60. چه زمانی از شیب تصادفی استفاده کنیم؟
  • 61. مدل‌سازی با متغیرهای پیش‌بین در هر دو سطح
  • 62. اثرات متقابل بین سطوح (Cross-Level Interactions)
  • 63. مرکزیت متغیرها در مدل‌های چندسطحی: Grand-Mean vs. Group-Mean Centering
  • 64. پیش‌بینی با استفاده از مدل‌های چندسطحی
  • 65. مقایسه مدل‌های چندسطحی با استفاده از آزمون نسبت درستنمایی و AIC/BIC
  • 66. تشخیص و ارزیابی مدل‌های چندسطحی
  • 67. مدل‌های چندسطحی برای خروجی‌های دوتایی: رگرسیون لجستیک چندسطحی
  • 68. مدل‌های چندسطحی برای داده‌های شمارشی: رگرسیون پواسون چندسطحی
  • 69. ساختارهای سلسله‌مراتبی سه‌سطحی و بالاتر
  • 70. مدل‌های با اثرات متقاطع (Crossed-Effects Models)
  • 71. تحلیل داده‌های طولی (Longitudinal Data) با مدل‌های چندسطحی
  • 72. مدل‌های رشد (Growth-Curve Models)
  • 73. مقدمه‌ای بر رویکرد بیزی برای مدل‌سازی
  • 74. تفاوت فلسفی بین رویکرد فراوانی‌گرایانه و بیزی
  • 75. قضیه بیز و اجزای آن: پیشین، درستنمایی، پسین
  • 76. مدل‌های رگرسیون از دیدگاه بیزی
  • 77. پیاده‌سازی رگرسیون بیزی با استفاده از Stan یا PyMC
  • 78. تفسیر توزیع‌های پسین (Posterior Distributions)
  • 79. فواصل معتبر (Credible Intervals) در مقابل فواصل اطمینان
  • 80. مدل‌های چندسطحی بیزی
  • 81. مزایای رویکرد بیزی در مدل‌های پیچیده
  • 82. بررسی همگرایی مدل‌های بیزی (MCMC Diagnostics)
  • 83. بررسی تطابق مدل با داده‌ها: Posterior Predictive Checking
  • 84. مقایسه مدل‌های بیزی: DIC, WAIC و LOO-CV
  • 85. مدل‌سازی مقادیر گمشده (Missing Data)
  • 86. روش‌های ساده برای داده‌های گمشده و معایب آن‌ها
  • 87. جایگزینی چندگانه (Multiple Imputation)
  • 88. ادغام نتایج حاصل از جایگزینی چندگانه
  • 89. مدل‌سازی داده‌های فضایی به عنوان یک مدل چندسطحی
  • 90. چالش‌های محاسباتی در مدل‌های بزرگ
  • 91. نکاتی برای بهینه‌سازی عملکرد مدل
  • 92. اصول مصورسازی موثر داده‌ها و نتایج مدل
  • 93. چگونه نتایج مدل را به مخاطب غیرفنی توضیح دهیم؟
  • 94. اخلاق در مدل‌سازی آماری: سوگیری و انصاف
  • 95. مطالعه موردی ۱: تحلیل عملکرد تحصیلی دانش‌آموزان
  • 96. مطالعه موردی ۲: پیش‌بینی موفقیت کمپین بازاریابی
  • 97. مطالعه موردی ۳: تحلیل داده‌های سلامت عمومی
  • 98. پروژه نهایی: طراحی، اجرا و ارائه یک تحلیل کامل
  • 99. مسیر یادگیری پس از این دوره: به کجا برویم؟

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.