کتاب مدل‌سازی پیش‌بینی با رگرسیون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی پیش‌بینی با رگرسیون

موضوع کلی: مدیریت دانش و داده‌کاوی

موضوع میانی: داده‌کاوی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. آشنایی با مدل‌سازی پیش‌بینی
• 2. مفاهیم پایه آمار و احتمال در پیش‌بینی
• 3. انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 4. روش‌های جمع‌آوری و پاکسازی داده‌ها
• 5. نمودارهای پراکندگی و بررسی همبستگی
• 6. مقدمه‌ای بر رگرسیون خطی ساده
• 7. برآورد پارامترهای رگرسیون خطی
• 8. معنای آماری پارامترهای رگرسیون
• 9. ارزیابی کیفیت مدل رگرسیون خطی
• 10. ضریب تعیین (R-squared) و تفسیر آن
• 11. تحلیل باقی‌ماندها و تشخیص مشکلات مدل
• 12. پیش‌بینی با استفاده از مدل رگرسیون خطی
• 13. اعتبارسنجی مدل رگرسیون خطی
• 14. رگرسیون خطی چندگانه: مفاهیم و کاربردها
• 15. انتخاب متغیرهای مستقل در رگرسیون چندگانه
• 16. چندخطی بودن متغیرها و روش‌های مقابله با آن
• 17. تفسیر ضرایب رگرسیون در مدل چندگانه
• 18. معیارهای ارزیابی مدل رگرسیون چندگانه
• 19. مدل‌سازی با متغیرهای دسته‌ای (Categorical Variables)
• 20. ایجاد متغیرهای مجازی (Dummy Variables)
• 21. رگرسیون چندجمله‌ای (Polynomial Regression)
• 22. رگرسیون غیرخطی (Nonlinear Regression)
• 23. تبدیل داده‌ها برای بهبود خطی بودن
• 24. رگرسیون Ridge و Lasso: مفاهیم و کاربردها
• 25. انتخاب مدل با استفاده از معیارهای AIC و BIC
• 26. اعتبارسنجی متقابل (Cross-Validation)
• 27. رگرسیون سری‌های زمانی (Time Series Regression)
• 28. مفاهیم پایه سری‌های زمانی
• 29. تجزیه و تحلیل روند (Trend Analysis)
• 30. تجزیه و تحلیل فصلی (Seasonality Analysis)
• 31. مدل‌های ARIMA: مفاهیم و کاربردها
• 32. پیش‌بینی با استفاده از مدل‌های ARIMA
• 33. ارزیابی دقت پیش‌بینی سری‌های زمانی
• 34. رگرسیون با متغیرهای تاخیری (Lagged Variables)
• 35. مدل‌های رگرسیونی پویا (Dynamic Regression Models)
• 36. رگرسیون با خطا‌های خودهمبسته (Autocorrelated Errors)
• 37. بررسی و رفع ناهمسانی واریانس خطاها (Heteroscedasticity)
• 38. رگرسیون وزنی (Weighted Regression)
• 39. رگرسیون کوانتیلی (Quantile Regression)
• 40. رگرسیون با داده‌های از قلم افتاده (Missing Data)
• 41. روش‌های جایگزینی داده‌های از قلم افتاده
• 42. رگرسیون با داده‌های پرت (Outliers)
• 43. تشخیص و مدیریت داده‌های پرت
• 44. کاربرد رگرسیون در پیش‌بینی فروش
• 45. کاربرد رگرسیون در پیش‌بینی تقاضا