اپلیکیشن اندرویدی فلش‌کارت آموزشی الگوریتم‌های رگرسیون: linear و logistic regression

349,950 تومان
جادوی پیش‌بینی با الگوریتم‌های رگرسیون: Linear و Logistic Regression جادوی پیش‌بینی با الگوریتم‌های رگرسیون: Linear و Logistic Regression معرفی دوره آیا می‌خواهید رازهای پشت پرده‌ی پیش‌بینی‌های دقیق ر...
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 87,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های رگرسیون: linear و logistic regression

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

  • 1. What is Machine Learning?
  • 2. Supervised vs. Unsupervised Learning
  • 3. Regression vs. Classification Tasks
  • 4. Introduction to Regression Algorithms
  • 5. The Machine Learning Workflow
  • 6. Setting up Your Development Environment (Python, Libraries)
  • 7. Introduction to NumPy for Numerical Operations
  • 8. Introduction to Pandas for Data Manipulation
  • 9. Introduction to Matplotlib for Data Visualization
  • 10. Introduction to Seaborn for Enhanced Visualizations
  • 11. Variables: Independent, Dependent, Continuous, Discrete
  • 12. Measures of Central Tendency: Mean, Median, Mode
  • 13. Measures of Dispersion: Variance, Standard Deviation
  • 14. Introduction to Probability
  • 15. Probability Distributions (Normal Distribution concept)
  • 16. Introduction to Linear Algebra: Vectors and Matrices
  • 17. Vector Operations: Addition, Scalar Multiplication
  • 18. Matrix Operations: Addition, Multiplication
  • 19. Dot Product and its Significance
  • 20. Introduction to Calculus: Derivatives
  • 21. The Concept of a Gradient
  • 22. Correlation: Understanding Relationships Between Variables
  • 23. Covariance
  • 24. Pearson Correlation Coefficient
  • 25. Spurious Correlations
  • 26. Understanding Your Dataset: Initial Exploration
  • 27. Handling Missing Data: Imputation Techniques
  • 28. Identifying and Handling Outliers
  • 29. Categorical Data Encoding: One-Hot Encoding
  • 30. Categorical Data Encoding: Label Encoding
  • 31. Feature Scaling: Normalization (Min-Max Scaling)
  • 32. Feature Scaling: Standardization (Z-score Scaling)
  • 33. Introduction to Feature Engineering
  • 34. Creating New Features from Existing Ones
  • 35. Data Splitting: Training, Validation, and Test Sets
  • 36. Introduction to Simple Linear Regression
  • 37. The Linear Model Equation: y = b0 + b1*x
  • 38. Assumptions of Linear Regression
  • 39. Understanding the Error Term (Residuals)
  • 40. The Goal: Minimizing Errors
  • 41. Sum of Squared Residuals (SSR)
  • 42. The Ordinary Least Squares (OLS) Method
  • 43. Derivation of OLS Coefficients for Simple Linear Regression
  • 44. Interpreting the Regression Coefficients (Slope and Intercept)
  • 45. Implementing Simple Linear Regression from Scratch
  • 46. Using Scikit-learn for Simple Linear Regression
  • 47. Visualizing the Regression Line
  • 48. Understanding Residual Plots
  • 49. Homoscedasticity Check
  • 50. Normality of Residuals
  • 51. Introduction to Multiple Linear Regression
  • 52. The Multiple Linear Regression Equation
  • 53. Matrix Form of Linear Regression
  • 54. The Normal Equation for Multiple Linear Regression
  • 55. Gradient Descent: An Optimization Algorithm
  • 56. Understanding Learning Rate in Gradient Descent
  • 57. Batch Gradient Descent
  • 58. Stochastic Gradient Descent
  • 59. Mini-Batch Gradient Descent
  • 60. Comparing Normal Equation vs. Gradient Descent
  • 61. Introduction to Polynomial Regression
  • 62. Implementing Polynomial Regression
  • 63. Overfitting and Underfitting in Regression
  • 64. The Bias-Variance Tradeoff
  • 65. Introduction to Regularization
  • 66. Mean Absolute Error (MAE)
  • 67. Mean Squared Error (MSE)
  • 68. Root Mean Squared Error (RMSE)
  • 69. R-squared (Coefficient of Determination)
  • 70. Adjusted R-squared
  • 71. Interpreting R-squared Values
  • 72. Introduction to Multicollinearity
  • 73. Detecting Multicollinearity with VIF (Variance Inflation Factor)
  • 74. Handling Multicollinearity
  • 75. Cross-Validation for Robust Model Evaluation
  • 76. Introduction to Classification Problems
  • 77. Why Linear Regression is Not Suitable for Classification
  • 78. The Concept of a Sigmoid (Logistic) Function
  • 79. Introduction to Logistic Regression
  • 80. The Logistic Regression Hypothesis Function
  • 81. Interpreting Probabilities from Sigmoid Output
  • 82. Defining the Decision Boundary
  • 83. Understanding Likelihood
  • 84. Maximum Likelihood Estimation (MLE) for Logistic Regression
  • 85. The Cost Function for Logistic Regression (Log Loss / Cross-Entropy)
  • 86. Minimizing Log Loss with Gradient Descent
  • 87. Derivation of Logistic Regression Gradient
  • 88. Implementing Logistic Regression from Scratch
  • 89. Using Scikit-learn for Logistic Regression
  • 90. Multi-Class Classification: One-vs-Rest Strategy
  • 91. Introduction to Classification Metrics
  • 92. Confusion Matrix: TP, TN, FP, FN
  • 93. Accuracy Score
  • 94. Precision
  • 95. Recall (Sensitivity)
  • 96. F1-Score
  • 97. Specificity and Fallout
  • 98. ROC Curve and AUC Score
  • 99. Setting the Optimal Classification Threshold
  • 100. Handling Class Imbalance
اپلیکیشن آموزشی اندروید
یادگیری هوشمند، همیشه همراه شما
فلش‌کارت‌های آموزشی را در یک محیط فارسی، ساده و کاربردی مرور کنید؛ پاسخ‌های خود را بسنجید و پیشرفت یادگیری‌تان را دنبال کنید.
مطالعه آفلاین محیط فارسی و راست‌چین ویژه اندروید
فلش‌کارت آموزشی؛ روشی کاربردی برای مرور مطالب

این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلش‌کارت طراحی شده است. کارت‌ها را یکی‌یکی مرور کنید، پاسخ پرسش‌ها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.

📴
یادگیری بدون اینترنت مداوم
پس از نصب و در دسترس بودن محتوای دوره، فلش‌کارت‌ها را در زمان و مکان دلخواه مرور کنید.
🗂️
انواع محتوای آموزشی
از نکته‌های آموزشی تا پرسش‌های چهارگزینه‌ای و پرسش‌وپاسخ، مطالب را متناسب با نیاز خود مرور کنید.
📊
ارزیابی میزان یادگیری
پاسخ‌های درست و غلط خود را ثبت کنید و آمار عملکردتان را به تفکیک نوع محتوا ببینید.
🎯
مرور هدفمند فصل‌ها
فصل‌های موردنظر را انتخاب کنید و با استفاده از گزینه انتخاب همه، مرور فصل‌های مرورنشده را در اولویت قرار دهید.
انواع فلش‌کارت‌های قابل مرور

محتوای آموزشی در قالب‌های متنوع ارائه می‌شود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموخته‌ها قابل استفاده باشد.

💬
نکته‌های خودمانی
یادگیری ساده و روان
📘
نکته‌های رسمی و کتابی
مرور دقیق مفاهیم
📝
پرسش‌های چهارگزینه‌ای
سنجش آموخته‌ها
❓
پرسش‌وپاسخ
تمرین یادآوری پاسخ
🎓
درسنامه
مرور محتوای آموزشی
امکانات مرور و ارزیابی
حرکت ساده بین کارت‌ها
استفاده از دکمه‌های قبلی و بعدی و مشاهده نوار پیشرفت برای دنبال کردن روند مرور.
مشاهده پاسخ و توضیحات
برگرداندن کارت برای نمایش پاسخ و توضیحات در قالب‌هایی مانند تست و پرسش‌وپاسخ.
تنظیم اندازه فونت
انتخاب اندازه مناسب نوشته‌ها برای تجربه مطالعه راحت‌تر.
نمایش فرمول‌های ریاضی
پشتیبانی از نمایش صحیح فرمول‌ها و روابط ریاضی مبتنی بر LaTeX.
ثبت نتیجه و گزارش آماری
علامت‌گذاری هر پاسخ به‌صورت درست یا غلط و مشاهده تعداد و درصد موفقیت برای انواع محتوا.
طراحی‌شده برای مطالعه روزمره
  • رابط کاربری فارسی و راست‌چین با فونت وزیر.
  • تم روشن و تیره مطابق تنظیمات سیستم.
  • صفحه‌بندی ساده برای انتخاب دوره و شروع مرور.
  • نمایش تعداد دفعات مرور هر فصل.
  • انتخاب چند فصل برای مرور هم‌زمان.
  • امکان تمرکز بر فصل‌هایی که هنوز مرور نشده‌اند.
مناسب برای چه کسانی است؟

این اپلیکیشن برای دانش‌آموزان، دانشجویان، داوطلبان آزمون‌ها و علاقه‌مندان به یادگیری طراحی شده است؛ به‌ویژه کسانی که می‌خواهند مطالب آموزشی را در زمان‌های کوتاه مرور کنند، دانسته‌های خود را بسنجند و مطالعه منظم‌تری داشته باشند.

توجه: محتوای آموزشی و تعداد فلش‌کارت‌ها به دوره انتخاب‌شده بستگی دارد. محتوای دوره پس از نصب، درون برنامه قابل استفاده است؛ با این حال، دریافت اولیه اپلیکیشن و به‌روزرسانی‌های احتمالی ممکن است به اینترنت نیاز داشته باشند.
گالری تصاویر اپلیکیشن‌ها
محیط واقعی اپلیکیشن‌های آموزشی ما
تصاویر زیر، نمونه‌هایی از محیط واقعی اپلیکیشن‌های آموزشی ما هستند و قالب کلی، سبک طراحی و شیوه نمایش محتوای آموزشی در این برنامه‌ها را نشان می‌دهند.
نگاهی به فضای داخل برنامه
تصویر محیط اپلیکیشن آموزشی ۱
نمای اپلیکیشن ۱
تصویر محیط اپلیکیشن آموزشی ۲
نمای اپلیکیشن ۲
تصویر محیط اپلیکیشن آموزشی ۳
نمای اپلیکیشن ۳
تصویر محیط اپلیکیشن آموزشی ۴
نمای اپلیکیشن ۴
تصویر محیط اپلیکیشن آموزشی ۵
نمای اپلیکیشن ۵
تصویر محیط اپلیکیشن آموزشی ۶
نمای اپلیکیشن ۶
تصویر محیط اپلیکیشن آموزشی ۷
نمای اپلیکیشن ۷
تصویر محیط اپلیکیشن آموزشی ۸
نمای اپلیکیشن ۸
تصویر محیط اپلیکیشن آموزشی ۹
نمای اپلیکیشن ۹
تصویر محیط اپلیکیشن آموزشی ۱۰
نمای اپلیکیشن ۱۰
تصویر محیط اپلیکیشن آموزشی ۱۱
نمای اپلیکیشن ۱۱
نکته مهم درباره تصاویر
این تصاویر نمونه‌ای از قالب و سبک طراحی اپلیکیشن‌های آموزشی ما هستند. اپلیکیشن ارائه‌شده نیز از همین رویکرد طراحی و نمایش محتوای آموزشی پیروی می‌کند؛ جزئیات ظاهری و امکانات قابل مشاهده ممکن است متناسب با نوع دوره و بخش مورد استفاده متفاوت باشد.
تگ‌ها: Artificial Intelligence Data Structures Linear Regression logistic regression machine learning algorithms Modeling Programming Statistics آمار الگوریتم رگرسیون الگوریتم یادگیری ماشین برنامه نویسی رگرسیون خطی رگرسیون لجستیک ساختمان داده مدل سازی هوش مصنوعی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.