اپلیکیشن اندرویدی فلش‌کارت آموزشی تسلط بر مدل‌سازی آماری مدرن: از رگرسیون خطی تا مدل‌های تعمیم‌یافته (GLM)

349,950 تومان
تسلط بر مدل‌سازی آماری مدرن: از رگرسیون خطی تا مدل‌های تعمیم‌یافته (GLM) تسلط بر مدل‌سازی آماری مدرن: از رگرسیون خطی تا مدل‌های تعمیم‌یافته (GLM) معرفی دوره: گامی فراتر در دنیای داده‌ها آیا آماده‌اید ...
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 تسلط بر مدل‌سازی آماری مدرن: از رگرسیون خطی تا مدل‌های تعمیم‌یافته (GLM)

موضوع کلی: آمار و علم داده

موضوع میانی: مدل‌سازی پیشرفته آماری

📋 سرفصل‌های دوره

  • 1. رگرسیون خطی ساده: مفاهیم و کاربردها
  • 2. رگرسیون خطی چندگانه: متغیرها، برازش و تفسیر
  • 3. تشخیص و اصلاح مشکلات رگرسیون: ناهمسانی واریانس، هم‌خطی
  • 4. متغیرهای طبقه‌ای در رگرسیون: متغیرهای مجازی و اثرات متقابل
  • 5. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
  • 6. مروری بر توزیع‌های نمایی: گاما، نرمال، پواسون، دوجمله‌ای
  • 7. تابع پیوند (Link Function): اهمیت و انتخاب مناسب
  • 8. تابع واریانس و نقش آن در GLM
  • 9. روش‌های برازش مدل GLM: Maximum Likelihood Estimation (MLE)
  • 10. استنباط آماری در GLM: آزمون فرضیه‌ها و بازه‌های اطمینان
  • 11. آزمون نسبت درست‌نمایی (Likelihood Ratio Test)
  • 12. آزمون والد (Wald Test)
  • 13. آزمون امتیاز (Score Test)
  • 14. بررسی برازش مدل GLM: باقیمانده‌ها و معیارهای ارزیابی
  • 15. انتخاب مدل در GLM: AIC, BIC و سایر معیارها
  • 16. رگرسیون لجستیک: مدل‌سازی متغیرهای پاسخ دودویی
  • 17. تفسیر ضرایب در رگرسیون لجستیک: Odds Ratio و احتمال
  • 18. رگرسیون لجستیک چندجمله‌ای (Multinomial Logistic Regression)
  • 19. رگرسیون پواسون: مدل‌سازی داده‌های شمارشی
  • 20. مدل‌های افزایشی پواسون (Poisson Regression with Offset)
  • 21. بررسی اضافه پراکندگی (Overdispersion) در رگرسیون پواسون
  • 22. رگرسیون نیمه-پواسون (Quasi-Poisson Regression)
  • 23. مدل‌های نرخ (Rate Models) و کاربردهای آن‌ها
  • 24. رگرسیون گاما: مدل‌سازی داده‌های پیوسته مثبت
  • 25. رگرسیون گاما و ارتباط آن با مدل‌های خطی
  • 26. تحلیل باقیمانده‌ها در رگرسیون گاما
  • 27. رگرسیون نمایی: کاربردها و تفسیر
  • 28. رگرسیون وایبول (Weibull Regression): مدل‌سازی بقا
  • 29. رگرسیون معکوس گاوسی (Inverse Gaussian Regression)
  • 30. انتخاب توزیع و تابع پیوند مناسب در GLM
  • 31. مدل‌های خطی تعمیم‌یافته مختلط (GLMM): مقدمه
  • 32. اثرات تصادفی (Random Effects) و اثرات ثابت (Fixed Effects)
  • 33. برازش مدل‌های GLMM: روش‌های برآورد پارامترها
  • 34. انتخاب مدل در GLMM: مقایسه مدل‌ها با اثرات تصادفی مختلف
  • 35. تفسیر ضرایب در GLMM: اثرات سطح گروهی و فردی
  • 36. GLMM در داده‌های طولی (Longitudinal Data): مدل‌سازی تغییرات در طول زمان
  • 37. GLMM برای داده‌های خوشه‌ای (Clustered Data): اثرات ناهمگنی بین خوشه‌ها
  • 38. مدل‌های حاشیه‌ای تعمیم‌یافته (GEE): جایگزینی برای GLMM
  • 39. همبستگی در GEE: ساختارهای همبستگی مختلف
  • 40. برازش مدل‌های GEE: روش‌های برآورد پارامترها
  • 41. تفسیر ضرایب در GEE: اثرات جمعیت‌محور
  • 42. GEE در داده‌های طولی و خوشه‌ای: کاربردها و محدودیت‌ها
  • 43. رگرسیون کوانتایل (Quantile Regression): تخمین کوانتایل‌های شرطی
  • 44. مزایای رگرسیون کوانتایل نسبت به رگرسیون میانگین
  • 45. تفسیر ضرایب در رگرسیون کوانتایل: اثرات بر کوانتایل‌های مختلف
  • 46. کاربرد رگرسیون کوانتایل در شناسایی اثرات ناهمگن
  • 47. رگرسیون غیرپارامتری: مقدمه و روش‌های پایه
  • 48. هموارسازی هسته‌ای (Kernel Smoothing)
  • 49. اسپلاین‌ها (Splines): هموارسازی با توابع چندجمله‌ای
  • 50. مدل‌های افزودنی تعمیم‌یافته (GAM): ترکیب اثرات خطی و غیرخطی
  • 51. انتخاب هموارگر (Smoother Selection) در GAM
  • 52. تفسیر اثرات غیرخطی در GAM: توابع جزئی و اثرات دوطرفه
  • 53. GAM برای داده‌های طولی و خوشه‌ای
  • 54. رگرسیون منظم‌شده (Regularized Regression): Ridge, Lasso, Elastic Net
  • 55. جلوگیری از بیش‌برازش (Overfitting) با رگرسیون منظم‌شده
  • 56. انتخاب پارامتر تنظیم (Tuning Parameter) در رگرسیون منظم‌شده
  • 57. رگرسیون منظم‌شده برای مدل‌های GLM
  • 58. رگرسیون برداری پشتیبان (Support Vector Regression): SVR
  • 59. هسته (Kernel) در SVR: انتخاب و تاثیر
  • 60. انتخاب پارامترها در SVR
  • 61. رگرسیون درختی (Regression Trees): CART
  • 62. الگوریتم‌های ساخت درخت رگرسیون
  • 63. متوقف کردن رشد درخت و هرس کردن (Pruning)
  • 64. جنگل تصادفی (Random Forest): ترکیب درختان رگرسیون
  • 65. اهمیت متغیرها (Variable Importance) در جنگل تصادفی
  • 66. تقویت گرادیانی (Gradient Boosting): XGBoost, LightGBM, CatBoost
  • 67. تنظیم پارامترها در الگوریتم‌های تقویت گرادیانی
  • 68. مقایسه روش‌های رگرسیون درختی و جنگل تصادفی
  • 69. شبکه‌های عصبی مصنوعی (Artificial Neural Networks): مقدمه
  • 70. معماری شبکه‌های عصبی: لایه‌ها، نورون‌ها و توابع فعال‌سازی
  • 71. روش‌های آموزش شبکه‌های عصبی: پس‌انتشار (Backpropagation)
  • 72. جلوگیری از بیش‌برازش در شبکه‌های عصبی: تنظیم وزن و رهاسازی (Dropout)
  • 73. شبکه‌های عصبی عمیق (Deep Neural Networks): معماری‌ها و کاربردها
  • 74. رگرسیون با استفاده از شبکه‌های عصبی
  • 75. مقدمه‌ای بر مدل‌های بیزی (Bayesian Models)
  • 76. استنباط بیزی (Bayesian Inference) و قضیه بیز
  • 77. توزیع پیشین (Prior Distribution) و توزیع پسین (Posterior Distribution)
  • 78. روش‌های نمونه‌برداری Markov Chain Monte Carlo (MCMC)
  • 79. مدل‌های خطی بیزی (Bayesian Linear Models)
  • 80. مدل‌های GLM بیزی (Bayesian GLM)
  • 81. انتخاب مدل در چارچوب بیزی: Bayes Factor و معیار DIC
  • 82. تحلیل حساسیت (Sensitivity Analysis) در مدل‌های بیزی
  • 83. مدل‌های بیزی سلسله‌مراتبی (Bayesian Hierarchical Models)
  • 84. مدل‌سازی داده‌های از دست رفته (Missing Data): روش‌های مختلف
  • 85. حذف لیستی (Listwise Deletion) و Imputation
  • 86. Imputation چندگانه (Multiple Imputation): روش‌ها و کاربردها
  • 87. مدل‌سازی داده‌های سانسور شده (Censored Data): تحلیل بقا
  • 88. مدل کاکس (Cox Proportional Hazards Model)
  • 89. مدل‌های رگرسیونی برای داده‌های سانسور شده
  • 90. ارزیابی عملکرد مدل‌های پیش‌بینی (Prediction Models)
  • 91. معیارهای ارزیابی طبقه‌بندی (Classification): دقت، حساسیت، ویژگی
  • 92. معیارهای ارزیابی رگرسیون: MSE, RMSE, R-squared
  • 93. منحنی ROC و AUC: ارزیابی مدل‌های طبقه‌بندی
  • 94. تحلیل رویداد-زمان (Event History Analysis): مقدمه
  • 95. مدل‌های AFT (Accelerated Failure Time Models)
  • 96. مدل‌سازی رقابت خطرات (Competing Risks)
  • 97. مدل‌های پویای خطی تعمیم‌یافته (DGLM): مدل‌سازی سری‌های زمانی
  • 98. فیلتر کالمن (Kalman Filter) و کاربردهای آن در DGLM
  • 99. مدل‌های سری زمانی GLM
  • 100. مدل‌سازی داده‌های مکانی (Spatial Data): مقدمه
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: Data Science Generalized Linear Models Generalized Linear Models (GLM) GLM Regression Analysis Statistical Modeling آمار آمار پیشرفته آموزش GLM آموزش آمار دوره آموزشی GLM رگرسیون خطی علم داده مدل‌سازی آماری مدل‌های خطی تعمیم‌یافته

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.