در حال حاضر محصولی در سبد خرید شما وجود ندارد.
در این دوره آموزشی یاد می گیرید که چطور از رگرسیون برای تحلیل آماری و انجام پروژه های یادگیری ماشینی در زبان R استفاده کنید.
عنوان اصلی : Regression Analysis for Statistics and Machine Learning in R
با تحلیل رگرسیون عملی در R شروع کنید:
مقدمه دوره: مفاهیم کلیدی و ابزار نرم افزار
تفاوت بین تجزیه و تحلیل آماری و یادگیری ماشینی
شروع کار با R and R Studio
خواندن در داده با R
پاکسازی اطلاعات با R
پاکسازی اطلاعات بیشتر با R
تجزیه و تحلیل داده های اکتشافی پایه در R
نتیجه گیری در بخش 1
مدلسازی رگرسیون حداقل مربعی معمولی:
رگرسیون OLS- نظریه
OLS-پیاده سازی
بیشتر در مورد تفسیر نتایج
فاصله اطمینان - نظریه
فاصله اطمینان را به R محاسبه کنید
فاصله اطمینان و رگرسیون OLS
رگرسیون خطی بدون رهگیری
اجرای ANOVA در رگرسیون OLS
رگرسیون خطی چندگانه
رگرسیون خطی چندگانه با متغیرهای متقابل و ساختگی
برخی از شرایط اساسی که مدل های OLS باید انجام دهند
نتیجه گیری در بخش 2
مقابله با چند خطی در مدل های رگرسیون OLS:
چند خطی را شناسایی کنید
انجام تجزیه و تحلیل رگرسیون با متغیرهای پیش بینی کننده همبسته
رگرسیون مؤلفه اصلی در R
رگرسیون جزئی حداقل مربعات در R
رگرسیون ریج در R
رگرسیون LASSO
نتیجه گیری در بخش 3
متغیر و انتخاب مدل:
چرا هر نوع انتخاب؟
مناسب ترین مدل رگرسیون OLS را انتخاب کنید
زیر مجموعه های مدل را انتخاب کنید
دیدگاه یادگیری ماشین در ارزیابی دقت مدل رگرسیون
ارزیابی عملکرد مدل رگرسیون
رگرسیون LASSO برای انتخاب متغیر
نقش پیشبینیکنندهها را در توضیح تغییرات در Y شناسایی کنید
نتیجه گیری در بخش 4
برخورد با سایر موارد نقض مدل های رگرسیون OLS:
تبدیل داده ها
رگرسیون قوی - معامله با موارد پرت
مقابله با دگرگونی
نتیجه گیری در بخش 5
مدل های خطی تعمیم یافته (GLM):
GLM چیست؟
رگرسیون لجستیک
رگرسیون لجستیک برای متغیر پاسخ باینری
رگرسیون لجستیک چند جمله ای
رگرسیون برای داده های شمارش
خوبی تست تناسب
نتیجه گیری در بخش 6
کار با داده های غیر پارامتری و غیر خطی:
رگرسیون چند جمله ای و غیر خطی
مدل های افزایشی تعمیم یافته (GAMs) در R
رگرسیون GAM تقویت شده
خطوط رگرسیون تطبیقی چند متغیره (MARS)
CART-Rregression Trees در R
درختان استنتاج شرطی
جنگل تصادفی (RF)
رگرسیون افزایش گرادیان
انتخاب مدل ML
نتیجه گیری در بخش 7
Regression Analysis for Statistics and Machine Learning in R
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.
Natural Language Processing For Text Analysis With spaCy
آموزش دسته و خوشه بندی برای Machine Learning در زبان Python
آموزش کامل شبکه های عصبی و Deep Learning در زبان R
آموزش دستورات پیشرفته مصور سازی و پردازش داده ها در R
آموزش برنامه نویسی پایتون برای کودکان و تازه کاران
Complete Keras Bootcamp For Deep Learning in Python
بوت کمپ تحلیل دیتای کسب و کار از طریق BI در زبان Python
آموزش دستکاری داده ها و مصور سازی آن ها در R
Tensorflow Deep Learning – Data Science in Python
Machine Learning on Google Cloud: Sequence and Text Models