در حال حاضر محصولی در سبد خرید شما وجود ندارد.
با مشاهده این دوره آموزشی قدم به قدم یاد می گیرید که چطور یادگیری ماشینی را از طریق رگرسیون خطی در زبان پایتون انجام دهید.
عنوان اصلی : Linear Regression Analysis in Python for Machine Learning
معرفی :
به دوره خوش آمدید!
مطالب دوره
راه اندازی نوت بوک پایتون و ژوپیتر:
نصب پایتون و آناکوندا
باز کردن نوت بوک Jupyter
آشنایی با ژوپیتر
عملگرهای حسابی در پایتون: اصول پایتون
رشته ها در پایتون: اصول پایتون
لیست ها، تاپل ها و فهرست ها: اصول پایتون
کار با کتابخانه Numpy پایتون
کار با Pandas Library of Python
کار با کتابخانه Seaborn پایتون
مبانی آمار:
انواع داده ها
انواع آمار
توصیف داده ها به صورت گرافیکی
اقدامات مراکز
اقدامات پراکندگی
مقدمه ای بر یادگیری ماشینی:
مقدمه ای بر یادگیری ماشین
ساخت یک مدل یادگیری ماشینی
پیش پردازش داده ها:
جمع آوری دانش کسب و کار
کاوش داده ها
مجموعه داده و دیکشنری داده
وارد کردن داده در پایتون
تجزیه و تحلیل تک متغیره و EDD
EDD در پایتون
درمان پرت
درمان پرت در پایتون
مقدار گمشده
تعیین مقدار از دست رفته در پایتون
فصلی بودن در داده ها
تجزیه و تحلیل دو متغیره و تبدیل متغیر
تبدیل و حذف متغیر در پایتون
متغیرهای غیر قابل استفاده
ایجاد متغیر ساختگی: مدیریت داده های کیفی
ایجاد متغیر ساختگی در پایتون
تجزیه و تحلیل همبستگی
تجزیه و تحلیل همبستگی در پایتون
رگرسیون خطی :
بیانیه مشکل
روش معادلات پایه و حداقل مربعات معمولی (OLS).
ارزیابی دقت ضرایب پیش بینی شده
ارزیابی دقت مدل: RSE و R مجذور
رگرسیون خطی ساده در پایتون
رگرسیون خطی چندگانه
F - آمار
تفسیر نتایج متغیرهای طبقه بندی
رگرسیون خطی چندگانه در پایتون
تقسیم آزمایشی-قطار
مبادله واریانس تعصب
آزمایش تقسیم قطار در پایتون
مدل های خطی غیر از OLS
تکنیک های انتخاب زیر مجموعه
روش های انقباض: ریج و کمند
رگرسیون ریج و کمند در پایتون
دگرگونی
Linear Regression Analysis in Python for Machine Learning
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.
