اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش جامع رگرسیون خطی و لجستیک از صفر تا صد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع رگرسیون خطی و لجستیک از صفر تا صد

موضوع کلی: تحلیل آماری و یادگیری ماشین

موضوع میانی: مدل‌سازی پیش‌بینی خطی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر رگرسیون و مفاهیم پیش‌بینی
• 2. انواع مدل‌های رگرسیون و کاربردهای آن‌ها
• 3. مفاهیم پایه آمار توصیفی برای رگرسیون
• 4. همبستگی و کوواریانس بین متغیرها
• 5. معادله خط رگرسیون ساده
• 6. روش حداقل مربعات معمولی (OLS)
• 7. تفسیر ضرایب رگرسیون خطی
• 8. فرضیات رگرسیون خطی کلاسیک
• 9. خطی بودن رابطه بین متغیرها
• 10. استقلال خطاها (آزمون دوربین-واتسون)
• 11. هم‌واریانس (آزمون براش-پیگان)
• 12. نرمال بودن توزیع باقیمانده‌ها
• 13. چندهم‌خطی (VIF و تشخیص آن)
• 14. رگرسیون خطی چندمتغیره
• 15. انتخاب متغیرهای پیش‌بین (روش‌های گام‌به‌گام)
• 16. رگرسیون با متغیرهای کیفی (کدگذاری ساختگی)
• 17. برهم‌کنش (تعامل) بین متغیرها
• 18. تبدیل متغیرها (لگاریتمی، توانی، معکوس)
• 19. ارزیابی مدل با R² و R² تعدیل‌شده
• 20. معیارهای آکائیکه (AIC) و بیزی (BIC)
• 21. تحلیل واریانس (ANOVA) در رگرسیون
• 22. پیش‌بینی و فاصله اطمینان پیش‌بینی
• 23. باقیمانده‌ها و تحلیل آن‌ها
• 24. نقاط پرت و تأثیرگذار (Cook's Distance)
• 25. رگرسیون مقاوم (Robust Regression)
• 26. رگرسیون چندجمله‌ای و غیرخطی
• 27. مبانی رگرسیون لجستیک
• 28. تابع لجستیک و تبدیل logit
• 29. تفسیر نسبت شانس (Odds Ratio)
• 30. رگرسیون لجستیک دودویی
• 31. برآورد حداکثر درستنمایی (MLE)
• 32. معیارهای نیکویی برازش (Deviance)
• 33. آزمون نسبت درستنمایی
• 34. ماتریس درهم‌ریختگی و دقت مدل
• 35. منحنی ROC و سطح زیر آن (AUC)
• 36. رگرسیون لجستیک چندجمله‌ای
• 37. رگرسیون لجستیک ترتیبی
• 38. رگرسیون پواسون برای داده‌های شمارشی
• 39. رگرسیون با داده‌های نامتوازن
• 40. روش‌های منظم‌سازی (Ridge, Lasso, ElasticNet)
• 41. تنظیم پارامتر منظم‌سازی با اعتبارسنجی متقابل
• 42. اعتبارسنجی متقابل (K-Fold و Leave-One-Out)
• 43. جلوگیری از بیش‌برازش (Regularization)
• 44. مقیاس‌سازی و استانداردسازی داده‌ها
• 45. مدل‌سازی با داده‌های گمشده
• 46. روش‌های Bootstrap در رگرسیون
• 47. رگرسیون بیزی (مقدماتی)
• 48. مقایسه مدل‌های خطی و لجستیک
• 49. پیاده‌سازی رگرسیون خطی در پایتون (scikit-learn)
• 50. پیاده‌سازی رگرسیون لجستیک در پایتون
• 51. تحلیل نتایج با کتابخانه Statsmodels
• 52. تشخیص و رفع نقض فرضیات
• 53. تکنیک‌های مهندسی ویژگی برای رگرسیون
• 54. مدل‌سازی با متغیرهای وابسته چندگانه
• 55. رگرسیون گام‌به‌گام (Stepwise) و محدودیت‌ها
• 56. مفاهیم تعمیم‌پذیری و overfitting
• 57. ارائه گزارش نتایج رگرسیون
• 58. مطالعه موردی: پیش‌بینی قیمت مسکن با رگرسیون خطی
• 59. مطالعه موردی: پیش‌بینی احتمال خرید با رگرسیون لجستیک
• 60. نکات تکمیلی و منابع پیشرفته