فلشکارتهای آموزشی تسلط بر مدلسازی آماری مدرن: از رگرسیون خطی تا مدلهای تعمیمیافته (GLM)
تسلط بر مدلسازی آماری مدرن: از رگرسیون خطی تا مدلهای تعمیمیافته (GLM) تسلط بر مدلسازی آماری مدرن: از رگرسیون خطی تا مدلهای تعمیمیافته (GLM) معرفی دوره: گامی فراتر در دنیای دادهها آیا آمادهاید ...
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره تسلط بر مدلسازی آماری مدرن: از رگرسیون خطی تا مدلهای تعمیمیافته (GLM)
موضوع کلی: آمار و علم داده
موضوع میانی: مدلسازی پیشرفته آماری
📋 سرفصلهای دوره
- 1. رگرسیون خطی ساده: مفاهیم و کاربردها
- 2. رگرسیون خطی چندگانه: متغیرها، برازش و تفسیر
- 3. تشخیص و اصلاح مشکلات رگرسیون: ناهمسانی واریانس، همخطی
- 4. متغیرهای طبقهای در رگرسیون: متغیرهای مجازی و اثرات متقابل
- 5. مقدمهای بر مدلهای خطی تعمیمیافته (GLM)
- 6. مروری بر توزیعهای نمایی: گاما، نرمال، پواسون، دوجملهای
- 7. تابع پیوند (Link Function): اهمیت و انتخاب مناسب
- 8. تابع واریانس و نقش آن در GLM
- 9. روشهای برازش مدل GLM: Maximum Likelihood Estimation (MLE)
- 10. استنباط آماری در GLM: آزمون فرضیهها و بازههای اطمینان
- 11. آزمون نسبت درستنمایی (Likelihood Ratio Test)
- 12. آزمون والد (Wald Test)
- 13. آزمون امتیاز (Score Test)
- 14. بررسی برازش مدل GLM: باقیماندهها و معیارهای ارزیابی
- 15. انتخاب مدل در GLM: AIC, BIC و سایر معیارها
- 16. رگرسیون لجستیک: مدلسازی متغیرهای پاسخ دودویی
- 17. تفسیر ضرایب در رگرسیون لجستیک: Odds Ratio و احتمال
- 18. رگرسیون لجستیک چندجملهای (Multinomial Logistic Regression)
- 19. رگرسیون پواسون: مدلسازی دادههای شمارشی
- 20. مدلهای افزایشی پواسون (Poisson Regression with Offset)
- 21. بررسی اضافه پراکندگی (Overdispersion) در رگرسیون پواسون
- 22. رگرسیون نیمه-پواسون (Quasi-Poisson Regression)
- 23. مدلهای نرخ (Rate Models) و کاربردهای آنها
- 24. رگرسیون گاما: مدلسازی دادههای پیوسته مثبت
- 25. رگرسیون گاما و ارتباط آن با مدلهای خطی
- 26. تحلیل باقیماندهها در رگرسیون گاما
- 27. رگرسیون نمایی: کاربردها و تفسیر
- 28. رگرسیون وایبول (Weibull Regression): مدلسازی بقا
- 29. رگرسیون معکوس گاوسی (Inverse Gaussian Regression)
- 30. انتخاب توزیع و تابع پیوند مناسب در GLM
- 31. مدلهای خطی تعمیمیافته مختلط (GLMM): مقدمه
- 32. اثرات تصادفی (Random Effects) و اثرات ثابت (Fixed Effects)
- 33. برازش مدلهای GLMM: روشهای برآورد پارامترها
- 34. انتخاب مدل در GLMM: مقایسه مدلها با اثرات تصادفی مختلف
- 35. تفسیر ضرایب در GLMM: اثرات سطح گروهی و فردی
- 36. GLMM در دادههای طولی (Longitudinal Data): مدلسازی تغییرات در طول زمان
- 37. GLMM برای دادههای خوشهای (Clustered Data): اثرات ناهمگنی بین خوشهها
- 38. مدلهای حاشیهای تعمیمیافته (GEE): جایگزینی برای GLMM
- 39. همبستگی در GEE: ساختارهای همبستگی مختلف
- 40. برازش مدلهای GEE: روشهای برآورد پارامترها
- 41. تفسیر ضرایب در GEE: اثرات جمعیتمحور
- 42. GEE در دادههای طولی و خوشهای: کاربردها و محدودیتها
- 43. رگرسیون کوانتایل (Quantile Regression): تخمین کوانتایلهای شرطی
- 44. مزایای رگرسیون کوانتایل نسبت به رگرسیون میانگین
- 45. تفسیر ضرایب در رگرسیون کوانتایل: اثرات بر کوانتایلهای مختلف
- 46. کاربرد رگرسیون کوانتایل در شناسایی اثرات ناهمگن
- 47. رگرسیون غیرپارامتری: مقدمه و روشهای پایه
- 48. هموارسازی هستهای (Kernel Smoothing)
- 49. اسپلاینها (Splines): هموارسازی با توابع چندجملهای
- 50. مدلهای افزودنی تعمیمیافته (GAM): ترکیب اثرات خطی و غیرخطی
- 51. انتخاب هموارگر (Smoother Selection) در GAM
- 52. تفسیر اثرات غیرخطی در GAM: توابع جزئی و اثرات دوطرفه
- 53. GAM برای دادههای طولی و خوشهای
- 54. رگرسیون منظمشده (Regularized Regression): Ridge, Lasso, Elastic Net
- 55. جلوگیری از بیشبرازش (Overfitting) با رگرسیون منظمشده
- 56. انتخاب پارامتر تنظیم (Tuning Parameter) در رگرسیون منظمشده
- 57. رگرسیون منظمشده برای مدلهای GLM
- 58. رگرسیون برداری پشتیبان (Support Vector Regression): SVR
- 59. هسته (Kernel) در SVR: انتخاب و تاثیر
- 60. انتخاب پارامترها در SVR
- 61. رگرسیون درختی (Regression Trees): CART
- 62. الگوریتمهای ساخت درخت رگرسیون
- 63. متوقف کردن رشد درخت و هرس کردن (Pruning)
- 64. جنگل تصادفی (Random Forest): ترکیب درختان رگرسیون
- 65. اهمیت متغیرها (Variable Importance) در جنگل تصادفی
- 66. تقویت گرادیانی (Gradient Boosting): XGBoost, LightGBM, CatBoost
- 67. تنظیم پارامترها در الگوریتمهای تقویت گرادیانی
- 68. مقایسه روشهای رگرسیون درختی و جنگل تصادفی
- 69. شبکههای عصبی مصنوعی (Artificial Neural Networks): مقدمه
- 70. معماری شبکههای عصبی: لایهها، نورونها و توابع فعالسازی
- 71. روشهای آموزش شبکههای عصبی: پسانتشار (Backpropagation)
- 72. جلوگیری از بیشبرازش در شبکههای عصبی: تنظیم وزن و رهاسازی (Dropout)
- 73. شبکههای عصبی عمیق (Deep Neural Networks): معماریها و کاربردها
- 74. رگرسیون با استفاده از شبکههای عصبی
- 75. مقدمهای بر مدلهای بیزی (Bayesian Models)
- 76. استنباط بیزی (Bayesian Inference) و قضیه بیز
- 77. توزیع پیشین (Prior Distribution) و توزیع پسین (Posterior Distribution)
- 78. روشهای نمونهبرداری Markov Chain Monte Carlo (MCMC)
- 79. مدلهای خطی بیزی (Bayesian Linear Models)
- 80. مدلهای GLM بیزی (Bayesian GLM)
- 81. انتخاب مدل در چارچوب بیزی: Bayes Factor و معیار DIC
- 82. تحلیل حساسیت (Sensitivity Analysis) در مدلهای بیزی
- 83. مدلهای بیزی سلسلهمراتبی (Bayesian Hierarchical Models)
- 84. مدلسازی دادههای از دست رفته (Missing Data): روشهای مختلف
- 85. حذف لیستی (Listwise Deletion) و Imputation
- 86. Imputation چندگانه (Multiple Imputation): روشها و کاربردها
- 87. مدلسازی دادههای سانسور شده (Censored Data): تحلیل بقا
- 88. مدل کاکس (Cox Proportional Hazards Model)
- 89. مدلهای رگرسیونی برای دادههای سانسور شده
- 90. ارزیابی عملکرد مدلهای پیشبینی (Prediction Models)
- 91. معیارهای ارزیابی طبقهبندی (Classification): دقت، حساسیت، ویژگی
- 92. معیارهای ارزیابی رگرسیون: MSE, RMSE, R-squared
- 93. منحنی ROC و AUC: ارزیابی مدلهای طبقهبندی
- 94. تحلیل رویداد-زمان (Event History Analysis): مقدمه
- 95. مدلهای AFT (Accelerated Failure Time Models)
- 96. مدلسازی رقابت خطرات (Competing Risks)
- 97. مدلهای پویای خطی تعمیمیافته (DGLM): مدلسازی سریهای زمانی
- 98. فیلتر کالمن (Kalman Filter) و کاربردهای آن در DGLM
- 99. مدلهای سری زمانی GLM
- 100. مدلسازی دادههای مکانی (Spatial Data): مقدمه
SMART LEARNING PLATFORM
از مطالعه تا یادگیری ماندگار
فراتر از یک مجموعه فلشکارت؛ تجربهای تعاملی برای یادگیری، تمرین، مرور هوشمند و مشاهده مسیر پیشرفت شما، همراه با امکان دریافت گواهی پایان دوره در دورههای واجد شرایط.
مرور فاصلهدار
آمار یادگیری
گواهی دوزبانه
یادگیری را به یک مسیر قابل پیگیری تبدیل کنید
با ورود به سامانه آموزشی، محتوای دوره را بهصورت مرحلهای دنبال کنید، فلشکارتها را مرور کنید، دانش خود را با پرسشها و آزمونها بسنجید و روند پیشرفتتان را در طول مسیر ببینید.
⟳
مرور فاصلهدار هوشمند
با مرور زماندار، کارتهای تازه و کارتهای سررسیدشده را بر اساس برنامه مرور دنبال کنید. ارزیابی پاسخها به زمانبندی مرورهای بعدی کمک میکند تا تمرین متناسبتری داشته باشید.
◉
مشاهده مسیر پیشرفت
میزان مشاهده فلشکارتها، فعالیتهای مرور، عملکرد آزمونها و آمار یادگیری را بررسی کنید و تصویر روشنتری از مسیر آموزشی خود داشته باشید.
▤
یادگیری مرحلهبهمرحله
فصلها و بخشهای آموزشی را به ترتیب دنبال کنید، مطالب دیدهنشده را پیدا کنید و بدون سردرگمی به ادامه مسیر برگردید.
✓
تمرین و سنجش آموختهها
با نکتههای آموزشی، پرسش و پاسخ، کوییزها و آزمونهای پایان فصل، دانستههای خود را تمرین کنید و بخشهایی را که به توجه بیشتری نیاز دارند بشناسید.
SMART REVIEW
هر بار، مرور هدفمندتر
لازم نیست هر روز از ابتدا درباره اینکه چه چیزی را مرور کنید تصمیم بگیرید. سامانه، صف مرور روزانه را بر اساس کارتهای تازه و موعد مرور کارتها آماده میکند. شما پاسخ را ارزیابی میکنید و برنامه مرور با توجه به آن تنظیم میشود.
دوباره
برای کارتهایی که به تمرین زودتر نیاز دارند.
سخت
برای پاسخهایی که با دشواری به یاد آمدهاند.
خوب
برای پاسخهایی که بهدرستی به یاد آوردهاید.
آسان
برای کارتهایی که پاسخ آنها را بهآسانی میدانید.
برنامه مرور بر اساس ارزیابی شما تنظیم میشود؛ مرور منظم میتواند به تثبیت آموختهها کمک کند، اما بهتنهایی تضمینکننده تسلط کامل نیست.
محتوا را به شیوههای مختلف تمرین کنید
ساختار دورهها متناسب با موضوع آموزشی طراحی شده است و ممکن است انواع مختلفی از محتوا را در بر بگیرد.
نکتههای ساده
برای مرور سریع مفاهیم اصلی و نکات کلیدی.
نکتههای رسمی
برای تمرین تعاریف، اصطلاحات و بیان دقیق علمی.
کوییز
برای سنجش درک مطلب و بررسی گزینه صحیح.
پرسش و پاسخ
برای تمرین یادآوری و سنجش میزان تسلط بر مطالب.
محتوای هر دوره بر اساس ساختار و امکانات فعال همان دوره ارائه میشود.
LEARN ANYWHERE
همراه شما روی مرورگر
برای استفاده از نسخه تحت وب، کافی است با حساب کاربری خود وارد سامانه شوید. بدون نیاز به نصب یک برنامه اختصاصی، میتوانید از مرورگر سازگار روی گوشی، تبلت یا رایانه به دورههای در دسترس خود مراجعه کنید.
گوشی هوشمند
برای مطالعه در زمانهای کوتاه
تبلت و لپتاپ
برای مطالعه و مرور راحتتر
حساب کاربری شخصی
برای دسترسی به دورههای مجاز شما
COURSE COMPLETION CERTIFICATE
گواهی پایان دوره؛ ثبت دستاورد شما
در دورههایی که امکان دریافت گواهی برای آنها فعال است، میتوانید پس از تکمیل شرایط آموزشی، درخواست گواهی پایان دوره ثبت کنید.
شرایط درخواست گواهی
✓ داشتن دسترسی دارای قابلیت گواهی برای دوره مربوطه.
✓ تکمیل اطلاعات لازم در پروفایل، شامل کد ملی معتبر، عکس پرسنلی و نام و نام خانوادگی انگلیسی.
✓ مشاهده تمام فلشکارتهای فعال دوره.
✓ قبولی در آزمونهای پایان فصل، در صورت وجود آزمون برای فصلها.
فارسی و انگلیسی
پس از تأیید و انتشار، نسخههای فارسی و انگلیسی گواهی در دسترس قرار میگیرند.
استعلام آنلاین
گواهی منتشرشده دارای QR Code و لینک اختصاصی برای بررسی آنلاین اعتبار آن است.
دانلود و چاپ
پس از انتشار گواهی، امکان دریافت نسخه PDF فارسی و انگلیسی و چاپ آن فراهم است.
توجه: ثبت درخواست به معنای صدور قطعی نیست. درخواست گواهی پس از بررسی و تأیید ادمین منتشر میشود. این گواهی، گواهی پایان دوره آموزشی است و بهخودیخود معادل مدرک دانشگاهی یا مدرک رسمی مورد تأیید نهادهای دولتی نیست.
یادگیری را شروع کنید؛ پیشرفت را دنبال کنید
با تمرین منظم، مرور هدفمند و پیگیری مسیر آموزشی خود، قدمبهقدم دانش و مهارتهایتان را گسترش دهید.
هر کارت، یک قدم به جلو
امکانات محتوایی، مرور و گواهی بر اساس سطح دسترسی و تنظیمات هر دوره متفاوت است.
نگاهی به محیط سامانه
یادگیری هوشمند، قدمبهقدم
با محیط سامانه آموزشی آشنا شوید و نمونههایی از فضای یادگیری، فلشکارتها و ابزارهای مرور و تمرین را مشاهده کنید.
محیط سامانه آموزشی
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
یادگیری و مرور مطالب
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
تجربه مطالعه تعاملی
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
امکانات بیشتر سامانه
برای مشاهده تصویر در اندازه بزرگتر کلیک کنید
یادگیری فراتر از مطالعه معمولی
با فلشکارتهای آموزشی، مرور هدفمند و تمرین مستمر، مطالب را فعالانه یاد بگیرید و مسیر پیشرفت خود را دنبال کنید.
تگها:
Data Science
Generalized Linear Models
Generalized Linear Models (GLM)
GLM
Regression Analysis
Statistical Modeling
آمار
آمار پیشرفته
آموزش GLM
آموزش آمار
دوره آموزشی GLM
رگرسیون خطی
علم داده
مدلسازی آماری
مدلهای خطی تعمیمیافته
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.