دوره مبانی رگرسیون خطی در علم داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی رگرسیون خطی در علم داده

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مدل‌سازی آماری و پیش‌بینی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و رگرسیون خطی
• 2. مفاهیم پایه رگرسیون خطی
• 3. انواع رگرسیون خطی
• 4. کاربرد رگرسیون خطی در علم داده
• 5. نصب و راه‌اندازی ابزارهای علم داده
• 6. آشنایی با محیط برنامه‌نویسی پایتون
• 7. مبانی زبان پایتون برای علم داده
• 8. کتابخانه‌های کلیدی پایتون: NumPy
• 9. کتابخانه‌های کلیدی پایتون: Pandas
• 10. کتابخانه‌های کلیدی پایتون: Matplotlib
• 11. کتابخانه‌های کلیدی پایتون: Scikit-learn
• 12. مقدمه‌ای بر آمار و احتمالات در علم داده
• 13. مفاهیم آماری پایه: میانگین، میانه، مد
• 14. واریانس و انحراف معیار
• 15. توزیع‌های احتمالی: نرمال، یکنواخت
• 16. توزیع‌های گسسته: برنولی، دوجمله‌ای
• 17. مفاهیم آماری برای رگرسیون
• 18. همبستگی و کوواریانس
• 19. آزمون فرض آماری
• 20. مفهوم p-value
• 21. رگرسیون خطی ساده (یک متغیر مستقل)
• 22. فرمول رگرسیون خطی ساده
• 23. تفسیر ضرایب رگرسیون
• 24. مفهوم خطای استاندارد ضرایب
• 25. فاصله اطمینان برای ضرایب
• 26. آزمون فرض برای شیب
• 27. آزمون فرض برای عرض از مبدأ
• 28. معیارهای ارزیابی مدل رگرسیون خطی ساده
• 29. خطای میانگین مربعات (MSE)
• 30. ریشه خطای میانگین مربعات (RMSE)
• 31. ضریب تعیین (R-squared)
• 32. ضریب تعیین تعدیل شده
• 33. مراحل آماده‌سازی داده برای رگرسیون
• 34. پاکسازی داده‌ها: مقادیر گمشده
• 35. شناسایی و مدیریت داده‌های پرت
• 36. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی
• 37. انتخاب ویژگی‌های مناسب
• 38. رگرسیون خطی چندگانه (چند متغیر مستقل)
• 39. فرمول رگرسیون خطی چندگانه
• 40. تفسیر ضرایب در رگرسیون چندگانه
• 41. مفهوم هم‌خطی (Multicollinearity)
• 42. شناسایی و مدیریت هم‌خطی
• 43. مدل‌سازی با رگرسیون خطی چندگانه
• 44. انتخاب بهترین مدل رگرسیون
• 45. معیارهای ارزیابی مدل رگرسیون چندگانه
• 46. مفاهیم پیشرفته در رگرسیون خطی
• 47. رگرسیون خطی با متغیرهای طبقه‌ای
• 48. کدگذاری متغیرهای طبقه‌ای: One-Hot Encoding
• 49. کدگذاری متغیرهای طبقه‌ای: Dummy Encoding
• 50. تعامل متغیرها (Interaction Terms)
• 51. مدل‌سازی با متغیرهای تعاملی
• 52. رگرسیون چندجمله‌ای (Polynomial Regression)
• 53. تبدیل متغیرها برای رگرسیون چندجمله‌ای
• 54. ارزیابی مدل‌های رگرسیون چندجمله‌ای
• 55. مفاهیم مربوط به پیش‌بینی با رگرسیون
• 56. نحوه استفاده از مدل برای پیش‌بینی
• 57. تولید پیش‌بینی‌های جدید
• 58. فاصله اطمینان برای پیش‌بینی
• 59. فاصله اطمینان برای میانگین پاسخ
• 60. فاصله اطمینان برای پیش‌بینی منفرد
• 61. اعتبارسنجی مدل (Model Validation)
• 62. تقسیم داده به مجموعه‌های آموزش و آزمون
• 63. اعتبارسنجی متقابل (Cross-Validation)
• 64. K-Fold Cross-Validation
• 65. تکنیک‌های بهبود مدل رگرسیون
• 66. تکنیک انتخاب ویژگی: Forward Selection
• 67. تکنیک انتخاب ویژگی: Backward Elimination
• 68. تکنیک انتخاب ویژگی: Stepwise Regression
• 69. مقدمه‌ای بر مدل‌سازی آماری در علم داده
• 70. مفاهیم آماری برای تصمیم‌گیری
• 71. مدل‌سازی داده‌های سری زمانی (مقدماتی)
• 72. مقدمه‌ای بر یادگیری ماشین
• 73. مفاهیم اساسی یادگیری ماشین
• 74. تفاوت رگرسیون با طبقه‌بندی
• 75. کاربردهای عملی رگرسیون خطی در کسب‌وکار
• 76. کاربرد در پیش‌بینی فروش
• 77. کاربرد در تحلیل بازار
• 78. کاربرد در تحلیل مالی
• 79. کاربرد در پیش‌بینی قیمت مسکن
• 80. کاربرد در تحلیل عوامل مؤثر بر رضایت مشتری
• 81. ملاحظات اخلاقی در علم داده
• 82. حفظ حریم خصوصی داده‌ها
• 83. شفافیت در مدل‌سازی
• 84. مسئولیت‌پذیری در نتایج
• 85. جمع‌بندی مباحث رگرسیون خطی
• 86. مرور کلی بر مفاهیم آموخته شده
• 87. مسیرهای یادگیری پیشرفته در علم داده
• 88. منابع برای مطالعه بیشتر
• 89. راهنمای عملی پیاده‌سازی رگرسیون خطی
• 90. مثال گام به گام با داده‌های واقعی
• 91. تفسیر نتایج در سناریوهای واقعی
• 92. اشکال‌زدایی در مدل‌های رگرسیون
• 93. بهینه‌سازی پارامترهای مدل