دوره ارزیابی مدل‌های رگرسیون: اندازه‌گیری عملکرد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارزیابی مدل‌های رگرسیون: اندازه‌گیری عملکرد

موضوع کلی: علم داده

موضوع میانی: ارزیابی مدل

📋 سرفصل‌های دوره

• 1. آشنایی با رگرسیون و کاربردهای آن
• 2. مفاهیم پایه آماری در ارزیابی مدل
• 3. انواع خطای مدل رگرسیون
• 4. معیار میانگین مربعات خطا (MSE)
• 5. ریشه میانگین مربعات خطا (RMSE)
• 6. ضریب تعیین (R-squared) و تفسیر آن
• 7. R-squared تعدیل شده و اهمیت آن
• 8. مقایسه مدل‌ها با استفاده از R-squared
• 9. تحلیل باقیمانده‌ها و تشخیص مشکلات مدل
• 10. بررسی نرمال بودن باقیمانده‌ها
• 11. بررسی هم‌واریانسی باقیمانده‌ها
• 12. تشخیص نقاط پرت‌نما و تاثیر آن‌ها
• 13. روش‌های برخورد با نقاط پرت‌نما
• 14. ارزیابی مدل‌های رگرسیون خطی ساده
• 15. ارزیابی مدل‌های رگرسیون خطی چندگانه
• 16. ارزیابی مدل‌های رگرسیون غیرخطی
• 17. اعتبارسنجی متقابل (Cross-Validation)
• 18. روش اعتبارسنجی K-fold
• 19. اعتبارسنجی Leave-One-Out
• 20. انتخاب ویژگی‌های مهم در مدل رگرسیون
• 21. روش‌های انتخاب ویژگی
• 22. جلوگیری از بیش‌برازش (Overfitting)
• 23. تنظیم پارامترهای مدل (Regularization)
• 24. رگرسیون L1 (LASSO) و کاربردها
• 25. رگرسیون L2 (Ridge) و کاربردها
• 26. مقایسه رگرسیون LASSO و Ridge
• 27. معیارهای ارزیابی در رگرسیون لجستیک
• 28. منحنی ROC و AUC
• 29. شاخص دقت (Accuracy)
• 30. شاخص صحت (Precision)
• 31. شاخص فراخوانی (Recall)
• 32. نمره‌ی F1 و کاربرد آن
• 33. ارزیابی مدل‌های رگرسیون در داده‌های نامتوازن
• 34. روش‌های برخورد با داده‌های نامتوازن
• 35. ارزیابی مدل‌های رگرسیون سری زمانی
• 36. معیارهای ارزیابی پیش‌بینی سری زمانی
• 37. مدل‌های رگرسیون برای پیش‌بینی تقاضا
• 38. ارزیابی مدل‌های رگرسیون در مسائل مالی
• 39. ارزیابی مدل‌های رگرسیون در مهندسی
• 40. ارزیابی مدل‌های رگرسیون در علوم اجتماعی
• 41. نرم‌افزارهای کاربردی برای ارزیابی مدل‌های رگرسیون
• 42. استفاده از پایتون برای ارزیابی مدل
• 43. استفاده از R برای ارزیابی مدل
• 44. تفسیر نتایج ارزیابی مدل و گزارش‌دهی
• 45. چالش‌های ارزیابی مدل‌های رگرسیون و راهکارها