دوره تسلط بر مدلهای خطی تعمیمیافته، مدلهای مختلط و رگرسیون غیرپارامتری با R همراه با فلشکارت آموزشی — ارائه روی فلش مموری
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره تسلط بر مدلهای خطی تعمیمیافته، مدلهای مختلط و رگرسیون غیرپارامتری با R
موضوع کلی: تحلیل دادههای پیشرفته با مدلهای آماری
موضوع میانی: بسط مدلهای خطی و رگرسیونهای غیرپارامتری
📋 سرفصلهای دوره
- 1. مبانی و پیشنیازها:
- 2. آشنایی با زبان R و محیط RStudio
- 3. مروری بر آمار توصیفی و استنباطی
- 4. مبانی رگرسیون خطی ساده
- 5. بررسی مفروضات رگرسیون خطی کلاسیک
- 6. تشخیص و رفع نقض مفروضات در رگرسیون خطی
- 7. تبدیلات دادهها برای بهبود مدلهای خطی
- 8. ارزیابی مدلهای خطی: معیارهای برازندگی و روشهای اعتبارسنجی
- 9. معرفی مدلهای خطی تعمیمیافته (GLM)
- 10. تابع پیوند (Link Function) و توزیعهای پاسخ در GLM
- 11. رگرسیون پواسون: مدلسازی دادههای شمارشی
- 12. رگرسیون دوجملهای: مدلسازی دادههای باینری
- 13. رگرسیون لجستیک: پیشبینی احتمال وقوع رویداد
- 14. تفسیر ضرایب در مدلهای لجستیک و پواسون
- 15. ارزیابی و مقایسه مدلهای GLM
- 16. تشخیص و رفع بیشبرازش در مدلهای GLM
- 17. رگرسیون چندجملهای: مدلسازی دادههای طبقهای
- 18. رگرسیون ترتیبی: مدلسازی دادههای ترتیبی
- 19. مدلسازی همبستگی و ساختار ماتریس کوواریانس
- 20. معرفی مدلهای اثرات مختلط (Mixed Effects Models)
- 21. ساختار دادههای لانگیتودینال و تکراری
- 22. مدلهای اثرات تصادفی و اثرات ثابت
- 23. مدلهای اثرات مختلط خطی (LMM)
- 24. ساختارهای کوواریانس در مدلهای اثرات مختلط
- 25. براورد و تفسیر ضرایب در LMM
- 26. مقایسه مدلهای اثرات مختلط
- 27. مدلسازی اثرات متقابل در مدلهای اثرات مختلط
- 28. مدلهای اثرات مختلط تعمیمیافته (GLMM)
- 29. رگرسیون پواسون با اثرات مختلط
- 30. رگرسیون لجستیک با اثرات مختلط
- 31. براورد و تفسیر GLMM
- 32. تشخیص و رفع مسائل همگرایی در GLMM
- 33. انتخاب مدل در GLMM
- 34. مدلسازی ساختارهای پیچیده دادهها با GLMM
- 35. معرفی رگرسیونهای غیرپارامتری
- 36. رگرسیونهای صافکننده (Smoothing)
- 37. رگرسیون هستهای (Kernel Regression)
- 38. رگرسیون لوکال (LOESS و LOWESS)
- 39. انتخاب پهنای باند در رگرسیونهای صافکننده
- 40. رگرسیون اسپلاین (Spline Regression)
- 41. اسپلاینهای خطی قطعهای (Piecewise Linear Splines)
- 42. اسپلاینهای درجه 3 مکعبی (Cubic Splines)
- 43. اسپلاینهای باز (B-splines)
- 44. انتخاب مکانهای گره در اسپلاینها
- 45. رگرسیون افزایشی (Additive Models)
- 46. مدلسازی با متغیرهای پیوسته و طبقهای در مدلهای افزایشی
- 47. انتخاب متغیرها و اجزای مدلهای افزایشی
- 48. رگرسیون تعمیمیافته افزایشی (GAM)
- 49. ترکیب مدلهای GLM و رگرسیونهای غیرپارامتری
- 50. تشخیص و رفع مشکلات برازش در رگرسیونهای غیرپارامتری
- 51. روشهای بوتاسترپ و بازنمونهگیری
- 52. روشهای اعتبارسنجی متقابل برای مدلهای پیچیده
- 53. بهبود مدلها با استفاده از روشهای انتخابی (Stepwise Selection)
- 54. بهبود مدلها با استفاده از روشهای منظمسازی (Regularization)
- 55. معرفی Lasso و Ridge Regression
- 56. انتخاب پارامترهای منظمسازی
- 57. مدلسازی دادههای پرت و اثرات آنها
- 58. مدلسازی مقادیر گمشده
- 59. مدلسازی سریهای زمانی
- 60. بررسی خودهمبستگی و همبستگی جزئی
- 61. مدلهای ARIMA و پیشبینی
- 62. مدلسازی دادههای جغرافیایی
- 63. معرفی spatial autocorrelation
- 64. مدلهای spatial regression
- 65. ترکیب مدلهای مختلف: GLM, LMM, و رگرسیونهای غیرپارامتری
- 66. کاربرد مدلها در علوم زیستی
- 67. کاربرد مدلها در علوم اجتماعی
- 68. کاربرد مدلها در اقتصاد
- 69. کاربرد مدلها در بهداشت
- 70. کاربرد مدلها در بازاریابی
- 71. تجزیه و تحلیل دادههای بزرگ (Big Data)
- 72. مقدمهای بر parallel processing در R
- 73. مدلسازی با بستههای R تخصصی (eg, lme4, nlme, mgcv)
- 74. گرافیکهای پیشرفته برای تجسم دادهها و نتایج مدلها
- 75. تهیه گزارشهای حرفهای و ارائه نتایج مدلسازی
- 76. نوشتن توابع و بستههای R برای مدلسازی
- 77. بهینهسازی کد R برای مدلسازی
- 78. آزمون فرض در مدلهای آماری پیشرفته
- 79. قدرت آزمون و اندازههای اثر
- 80. آزمونهای چندگانه و کنترل نرخ خطای نوع اول
- 81. مروری بر Bayesian Inference
- 82. مقدمهای بر مدلسازی Bayesian با R
- 83. مدلسازی hierarchical Bayesian
- 84. آشنایی با MCMC و Gibbs Sampling
- 85. ارزیابی همگرایی در مدلهای Bayesian
- 86. انتخاب prior در مدلهای Bayesian
- 87. پیادهسازی مدلهای Bayesian با استفاده از کتابخانههای R
- 88. ترکیب Bayesian و Frequentist
- 89. تحلیل حساسیت در مدلسازی آماری
- 90. مبانی Bootstrap و resampling
- 91. آشنایی با Cross-Validation و its variants
- 92. Bias-Variance Tradeoff در مدلسازی
- 93. انتخاب مدل با استفاده از AIC, BIC
- 94. بررسی اعتبار مدل با استفاده از Residual analysis
- 95. معرفی روشهای کاهش ابعاد (PCA, Factor Analysis)
- 96. استفاده از Feature Engineering برای بهبود مدل
- 97. مدلسازی برای دادههای با ساختارهای پیچیده
- 98. بررسی advanced diagnostics برای مدلها
محتویات بسته آموزشی
🌐 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.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
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.
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.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.