آموزش مدل سازی Regression بوسیله آمار و یادگیری ماشینی در زبان Python

با مشاهده این دوره آموزشی قدم به قدم یاد می گیرید که چطور مدل سازی Regression را انجام دهید. این کار را از طریق آمار و یادگیری ماشینی انجام خواهید داد.

عنوان اصلی : Regression Modeling with Statistics and Machine Learning in Python

سرفصل ها :

مقدمه دوره: مفاهیم کلیدی و ابزار نرم افزار:
به دوره خوش آمدید
محیط علم داده پایتون
برای کاربران مک
IPython در مرورگر
بسته های علوم داده پایتون مورد استفاده قرار می گیرد
اطلاعات منابع مختلف با پانداها را بخوانید:
پانداها چیست؟
در داده ها از CSV بخوانید
در اکسل دیتا بخوانید
در داده های HTML بخوانید
پاکسازی و مانگینگ داده ها:
مقادیر از دست رفته را حذف کنید
انتخاب داده های مشروط
گروه بندی داده ها
زیر مجموعه داده ها
رتبه بندی و مرتب سازی
الحاق
ادغام و پیوستن به فریم های داده
تجزیه و تحلیل داده های آماری - پایه:
تجزیه و تحلیل داده های آماری چیست؟
برخی از نکات در جمع آوری داده ها برای مطالعات آماری
کاوش در داده های کمی: آمار توصیفی
گروه بندی و خلاصه کردن داده ها بر اساس دسته ها
تجسم آمار توصیفی-Boxplots
اصطلاحات رایج مربوط به آمار توصیفی
توزیع داده - توزیع عادی
توزیع عادی را بررسی کنید
توزیع نرمال استاندارد و امتیازات Z
فاصله اطمینان - نظریه
فاصله اطمینان - محاسبه
مدلسازی رگرسیون برای تعریف رابطه بین متغیرها:
رابطه بین دو متغیر کمی را بررسی کنید
تجزیه و تحلیل همبستگی
رگرسیون خطی-نظریه
رگرسیون خطی - پیاده سازی در پایتون
شرایط رگرسیون خطی
شرایط رگرسیون خطی-بررسی در پایتون
رگرسیون چند جمله ای
GLM: مدل خطی تعمیم یافته
رگرسیون لجستیک
یادگیری ماشین برای علم داده:
تفاوت یادگیری ماشینی با تجزیه و تحلیل داده های آماری چیست؟
یادگیری ماشینی (ML) درباره چیست؟ برخی از نکات نظری
مدل‌سازی رگرسیون مبتنی بر یادگیری ماشین:
این بخش درباره چیست؟
آماده سازی داده ها برای یادگیری تحت نظارت
نکاتی در مورد ارزیابی دقت طبقه بندی و مدل سازی رگرسیون
RF-رگرسیون
پشتیبانی از رگرسیون برداری
knn-رگرسیون
تقویت گرادیان-رگرسیون
نظریه پشت ANN و DNN
رگرسیون با MLP
اطلاعات متفرقه:
استفاده از Colabs برای علم داده آنلاین