دوره تحلیل داده‌های آماری و پیش‌بینی با استفاده از مدل‌های رگرسیون در نرم‌افزار R همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های آماری و پیش‌بینی با استفاده از مدل‌های رگرسیون در نرم‌افزار R

موضوع کلی: علوم داده و آمار کاربردی

موضوع میانی: تحلیل رگرسیون و مدل‌سازی آماری با نرم‌افزار R

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی آمار استنباطی و نقش آن در تحلیل داده‌ها
• 2. معرفی محیط برنامه‌نویسی R و بسته‌های آماری پایه
• 3. آماده‌سازی داده‌ها و پاک‌سازی پایگاه‌های داده در R
• 4. تجسم داده‌ها و شناسایی الگوها با استفاده از نمودارهای پراکندگی
• 5. مفاهیم بنیادی در رگرسیون خطی ساده
• 6. برآورد پارامترهای مدل به روش حداقل مربعات معمولی
• 7. فرضیات کلاسیک رگرسیون خطی و نحوه بررسی آن‌ها
• 8. ارزیابی دقت مدل با استفاده از ضریب تعیین
• 9. تحلیل باقی‌مانده‌ها برای سنجش برازش مدل
• 10. استنتاج آماری در رگرسیون و آزمون معناداری ضرایب
• 11. پیش‌بینی مقادیر جدید با استفاده از مدل رگرسیون خطی
• 12. مبانی رگرسیون خطی چندگانه و توسعه مدل
• 13. انتخاب متغیرهای مستقل در مدل‌های چندمتغیره
• 14. بررسی هم‌خطی چندگانه و راهکارهای مقابله با آن
• 15. مقایسه مدل‌های تو در تو با استفاده از آزمون F
• 16. استفاده از متغیرهای مجازی در تحلیل رگرسیون
• 17. تعامل میان متغیرها و تفسیر اثرات متقاطع
• 18. شناسایی داده‌های پرت و تأثیرگذار در مدل‌سازی
• 19. تبدیل متغیرها برای رفع نقض فرضیات مدل
• 20. رگرسیون چندجمله‌ای و مدل‌سازی روابط غیرخطی
• 21. معیارهای انتخاب مدل نظیر AIC و BIC
• 22. روش‌های انتخاب گام‌به‌گام متغیرها در مدل‌های بزرگ
• 23. آشنایی با رگرسیون لجستیک برای تحلیل داده‌های طبقه‌بندی‌شده
• 24. تفسیر نسبت شانس در مدل‌های رگرسیون لجستیک
• 25. ارزیابی عملکرد مدل‌های طبقه‌بندی با ماتریس اغتشاش
• 26. استفاده از منحنی ROC برای سنجش توان تفکیک مدل
• 27. مقدمه‌ای بر تنظیم مدل و روش‌های انقباضی مانند ریج
• 28. آشنایی با رگرسیون لاسو برای انتخاب متغیر و کاهش پیچیدگی
• 29. اعتبارسنجی متقاطع برای پیش‌گیری از بیش‌برازش
• 30. تحلیل سری‌های زمانی با رویکرد رگرسیونی
• 31. کاربرد مدل‌های رگرسیون در پیش‌بینی تقاضا و بازار
• 32. مستندسازی نتایج تحلیل و گزارش‌نویسی علمی در R Markdown
• 33. اخلاق در تحلیل داده و رعایت حریم خصوصی در پردازش اطلاعات
• 34. پروژه عملی تحلیل داده‌های اقتصادی و آماری در R