یادگیری ماشینی با رگرسیون لجستیک در اکسل، R، و Power BI

مشاهده LinkedIn NewsletterExcel، R، و Power BI، برنامه های کاربردی جهانی در علوم داده ها و در سراسر کسب و کار و سازمان های سراسر جهان استفاده می شود. اگر هر زمان که تلاش کرده اید، چگونه می توانید اطلاعات خود را بهتر کنید تا اطلاعات خود را بهتر کنید تا بینش های مفیدی را از آن استفاده کنید که می توانید بر آن عمل کنید، به احتمال زیاد این برنامه ها را تجربه کرده اید. در این دوره، Helen Wall نشان می دهد که چگونه از اکسل، R و Power BI برای رگرسیون لجستیک استفاده کنید تا داده ها را برای پیش بینی برچسب های طبقه بندی مانند تشخیص تقلب یا موفقیت های محاکمه پزشکی استفاده کنید. هلن از طریق چند نمونه از رگرسیون لجستیک پیاده می شود. او نشان می دهد که چگونه از اکسل برای محاسبه مدل رگرسیون استفاده کنید، سپس از R محاسبات شدید و تجسم استفاده کنید. او سپس نشان می دهد که چگونه از Power BI برای ادغام قابلیت های محاسبات اکسل و R در یک مدل مقیاس پذیر و قابل اشتعال استفاده کنید.

عنوان اصلی : Machine Learning with Logistic Regression in Excel, R, and Power BI

سرفصل های دوره :

مقدمه:
اعمال رگرسیون لجستیک برای حل مشکلات
آنچه شما باید بدانید
مقدمه ای بر پروژه دوره
پیکربندی افزودنی Excel Solver
کار با R
پیکربندی R در قدرت BI
1. توزیع ها و احتمالات:
معرفی AI و رگرسیون لجستیک
تمایز بین شانس و احتمالات
تمایز بین توزیع ها
محاسبه سیاههها و نمایندگان
منحنی سیگموئید
استفاده از آموزش و تست مجموعه داده ها
2. رگرسیون لجستیک دوتایی:
محاسبه رگرسیون خطی
کار با مدل Logit
محاسبه احتمال ورود
ساخت MLE
حل MLE
پیش بینی نتایج
تجسم رگرسیون لجستیک
چالش: محاسبه رگرسیون لجستیک
راه حل: محاسبه رگرسیون لجستیک
3. تنظیم مدل:
اضافه کردن متغیرهای مستقل تر
تغییرات متغیرها
محاسبه همبستگی
استفاده از آمار
پیکربندی جداول سردرگمی
چالش: تنظیم مدل
راه حل: تنظیم مدل
4. رگرسیون چند ملیتی:
محاسبه شانس برای مدل های چند ملیتی
محاسبه احتمالات برای مدل های چند ملیتی
محاسبه احتمال ورود چند ملیتی
اجرای MLE
ساختن پیش بینی ها
5. کار در قدرت BI با R:
اجرای اسکریپت R در ویرایشگر پرس و جو برق
Runding R تصاویری استاندارد
ارتباط بین اجزای بصری
چالش: انتقال به قدرت BI
راه حل: حرکت به قدرت BI
نتیجه گیری:
مرحله بعدی با رگرسیون های لجستیک