در حال حاضر محصولی در سبد خرید شما وجود ندارد.
اگر شما یک حرفه ای تجاری هستید ، قادر به تجزیه و تحلیل و تفسیر داده ها به طور مؤثر یک مهارت بسیار ارزشمند است. برای نظارت بر عملکرد خود و راهنمایی تصمیم گیری بهتر ، باید اصول تجزیه و تحلیل آماری را بدانید. در این دوره ، مربی Franz Buscha شما را از نحوه استفاده از آنالیز رگرسیون برای ارزیابی نقاط داده و مقیاس کسب و کار خود به عمد با سهولت استفاده می کند. قدرت تجزیه و تحلیل رگرسیون را برای هدایت تصمیم گیری محور داده انجام دهید. دریابید که چگونه می توانید رابطه بین دو یا چند متغیر آماری را به طور جدی بررسی کنید تا مقداری را بیان کنید که می توانید از آن استفاده کنید. نکات و ترفندهایی را از Franz در استفاده از مربعات حداقل معمولی ، تجسم یافته های خود برای ذینفعان و استفاده از ابزارهای آماری ایجاد شده در برنامه هایی مانند Excel ، SPSS ، Stata و R. دریافت کنید. برای تصمیم گیری آگاهانه تر و بهینه سازی عملکرد پروژه و پرسنل خود ، از تکنیک های تجزیه و تحلیل رگرسیون استفاده کنید.
این دوره توسط Madecraft ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.
عنوان اصلی : Regression Analysis Fundamentals
سرفصل های دوره :
مقدمه:
ارزش تجزیه و تحلیل
1. مقدمه ای برای تجزیه و تحلیل رگرسیون:
اهمیت تحلیل رگرسیون
چگونه تجزیه و تحلیل رگرسیون کار می کند
تجزیه و تحلیل رگرسیون چگونه به نظر می رسد
انواع تحلیل رگرسیون
همبستگی علیت نیست
2. حداقل مربعات معمولی :
خطوط متناسب با طرح پراکندگی
رگرسیون حداقل مربعات معمولی (OLS)
درک آبی
کدام شرایط مهم است؟
چرا بیشترین اهمیت را دارد
آمار خوب بودن
با استفاده از اشکال عملکردی
3. نکات و ترفندهای OLS:
تجسم ضرایب
آزمایش فرضیه چشم چشم
متغیرهای نشانگر خواندن
استفاده از زمان
تفسیر خاصیت خاصیت
4. با استفاده از مربعات حداقل معمولی:
انجام OLS در اکسل
استفاده از SPSS برای OLS
تفسیر OLS با Stata
محاسبه OLS با استفاده از r
5. تجزیه و تحلیل رگرسیون کاربردی:
ارزیابی قیمت خودرو
بررسی تفاوت های دستمزد
نتیجه گیری:
زمان تجزیه و تحلیل
Regression Analysis Fundamentals
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
بدست آوردن مالکیت در حرفه شما
آموزش کدنویسی پروژه های یادگیری ماشینی بوسیله Scikit-Learn
آنچه باید بعد از ، از دست دادن شغل تان انجام دهید
ابزارهای کدنویسی Python : مقایسه بین Jupyter و PyCharm
اصول هوش هیجانی
وصل کردن کارتان به اهداف تان
گرفتن شغل و نقش هوش تجاری در محیط کارتان
سواد مالی خود را تقویت کنید
استفاده از نقاط قوت تان
آموزش اجتناب از اشتباهات در Data Science