دوره الگوریتم‌های رگرسیون: linear و logistic regression همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

2,490,000 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: 622,500 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
✦ مجموعه ویژه یادگیری

یک دوره، چند مسیر برای یادگیری بهتر

کتاب‌های آموزشی، محتوای صوتی و تصویری و دسترسی به سامانه آنلاین فلش‌کارت؛ مجموعه‌ای برای مطالعه، تمرین و تثبیت آموخته‌ها.

📚 محتوای متنی 🎧 صوت و ویدیو 🧠 مرور هوشمند

محتویات بسته آموزشی

مجموعه‌ای از منابع برای شیوه‌های مختلف یادگیری
📚
کتاب نکته‌های خودمانی
نسخه PDF با زبان ساده، روان و کاربردی برای یادگیری راحت‌تر مفاهیم.
PDF · بیان ساده
📘
کتاب نکته‌های رسمی فارسی
نسخه PDF با نگارش استاندارد، بیان دقیق و رویکرد علمی.
PDF · نگارش رسمی
❓
کتاب پرسش و پاسخ تشریحی
نسخه PDF برای مرور مفاهیم و آشنایی با پاسخ‌های توضیحی.
PDF · یادگیری مفهومی
✅
کتاب پرسش‌های چهارگزینه‌ای
نسخه PDF برای تمرین، سنجش آموخته‌ها و آمادگی بیشتر.
PDF · تمرین و سنجش
🎧
پادکست‌های صوتی فارسی
محتوای صوتی برای یادگیری و مرور مطالب در زمان‌های مختلف.
محتوای صوتی
🎬
ویدیوهای آموزشی فارسی
محتوای ویدیویی برای تکمیل تجربه یادگیری و درک بهتر مطالب.
محتوای ویدیویی
💻
اکانت سامانه آنلاین فلش‌کارت
دسترسی به نرم‌افزار آنلاین فلش‌کارت ویژه این دوره برای تمرین و مرور مطالب.
دسترسی آنلاین
🎓
گواهی پایان دوره
امکان دریافت گواهی پس از تکمیل فعالیت‌های لازم در سامانه و طی مراحل تأیید.
پس از تکمیل شرایط
💾
بسته فیزیکی روی فلش مموری
این محصول به‌صورت فلش مموری حاوی فایل‌های آموزشی، محتوای صوتی و ویدیویی ارائه می‌شود.
تحویل فیزیکی
نکته: استفاده از سامانه آنلاین فلش‌کارت به اتصال اینترنت نیاز دارد؛ محتوای قابل استفاده آفلاین به نوع فایل‌های موجود در بسته بستگی دارد.
SMART LEARNING

🌐 سامانه آنلاین فلش‌کارت؛ مرور هدفمند و هوشمند

اکانت ارائه‌شده، دسترسی به نسخه تحت وب سامانه فلش‌کارت ویژه این دوره را فراهم می‌کند. این سامانه از الگوریتم زمان‌بندی مرور SM-2 استفاده می‌کند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم می‌کند.

به این ترتیب، کارت‌های دشوارتر می‌توانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسب‌تری داشته باشید.

🧠
مرور زمان‌بندی‌شده
📈
پیگیری پیشرفت
🔄
تمرین و تکرار هدفمند
📚 حجم آموزشی دوره
هزاران
فلش‌کارت آموزشی، به‌صورت تقریبی
۶۰ ساعت
مدت‌زمان معادل برآوردشده آموزشی

مدت‌زمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج می‌شود.

🏅

گواهی دوزبانه با استعلام آنلاین

گواهی فارسی و انگلیسی · لینک اختصاصی · QR Code

پس از تکمیل فعالیت‌های لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر می‌شود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.

⚖️ توضیح مهم درباره گواهی پایان دوره

این گواهی صرفاً به‌عنوان گواهی اتمام دوره آموزشی صادر می‌شود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.

تجربه‌ای کامل‌تر برای مطالعه، تمرین و یادگیری
express24.ir
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.