🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: تسلط بر رگرسیون کاربردی با R: از تحلیل خطی تا مدل‌های پیچیده

موضوع کلی: مدل‌سازی آماری

موضوع میانی: مدل‌سازی رگرسیونی کاربردی با R

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه: چرا مدل‌سازی رگرسیونی؟
• 2. نصب و راه‌اندازی R و RStudio
• 3. آشنایی با محیط RStudio: اسکریپت، کنسول، پلات و پکیج‌ها
• 4. مبانی کار با R: متغیرها، عملگرها و توابع پایه
• 5. ساختارهای داده در R: بردارها، ماتریس‌ها و لیست‌ها
• 6. دیتافریم (Data Frame): ساختار اصلی داده برای تحلیل آماری
• 7. معرفی پکیج Tidyverse برای مدیریت و پاکسازی داده‌ها
• 8. وارد کردن داده‌ها به R: خواندن فایل‌های CSV، Excel و SPSS
• 9. پاکسازی و آماده‌سازی داده‌ها با پکیج dplyr
• 10. اولین گام در تحلیل داده: آمار توصیفی و همبستگی
• 11. مقدمه‌ای بر مصورسازی داده با ggplot2
• 12. رسم نمودار پراکندگی (Scatter Plot) برای نمایش روابط
• 13. مفهوم مدل رگرسیون خطی ساده
• 14. برازش مدل خطی ساده با تابع lm() در R
• 15. تفسیر خروجی تابع summary(): ضرایب، خطای استاندارد و p-value
• 16. تفسیر شیب (Slope) و عرض از مبدأ (Intercept)
• 17. ضریب تعیین (R-squared) و معنای آن
• 18. آزمون فرضیه برای ضرایب رگرسیون
• 19. محاسبه و تفسیر فواصل اطمینان برای ضرایب
• 20. پیش‌بینی مقادیر جدید و فواصل پیش‌بینی (Prediction Intervals)
• 21. فواصل اطمینان برای میانگین پاسخ (Confidence Intervals for the Mean Response)
• 22. مصورسازی خط رگرسیون بر روی نمودار پراکندگی
• 23. مفروضات اساسی مدل رگرسیون خطی (LINE Assumptions)
• 24. تحلیل باقی‌مانده‌ها (Residuals) به عنوان ابزار اصلی تشخیص
• 25. بررسی فرض خطی بودن (Linearity) با نمودارهای باقی‌مانده
• 26. نمودارهای جزء و باقی‌مانده (Component-Plus-Residual Plots)
• 27. بررسی فرض ثبات واریانس خطاها (Homoscedasticity)
• 28. آزمون‌های رسمی برای ناهمسانی واریانس (آزمون Breusch-Pagan)
• 29. بررسی فرض نرمال بودن خطاها با نمودار Q-Q Plot
• 30. آزمون‌های نرمال بودن باقی‌مانده‌ها (Shapiro-Wilk Test)
• 31. بررسی فرض استقلال خطاها و مفهوم خودهمبستگی
• 32. آزمون دوربین-واتسون (Durbin-Watson Test) برای خودهمبستگی
• 33. شناسایی داده‌های پرت (Outliers) با باقی‌مانده‌های استیودنتایز شده
• 34. شناسایی نقاط با اهرم بالا (High-Leverage Points)
• 35. شناسایی نقاط تأثیرگذار (Influential Observations) با فاصله کوک (Cook's Distance)
• 36. نمودارهای تشخیصی پیش‌فرض در R
• 37. معرفی رگرسیون خطی چندگانه
• 38. برازش مدل چندگانه و تفسیر خروجی آن
• 39. تفسیر ضرایب رگرسیون در مدل چندگانه
• 40. ضریب تعیین تعدیل‌شده (Adjusted R-squared)
• 41. آزمون F برای ارزیابی معناداری کلی مدل
• 42. کار با متغیرهای پیش‌بین طبقه‌ای (Categorical Predictors)
• 43. کدگذاری دامی (Dummy Coding) برای متغیرهای طبقه‌ای
• 44. تغییر متغیر مرجع (Reference Level) در مدل
• 45. مفهوم برهمکنش (Interaction) بین متغیرهای پیش‌بین
• 46. مدل‌سازی برهمکنش بین یک متغیر کمی و یک متغیر کیفی
• 47. مدل‌سازی برهمکنش بین دو متغیر کمی
• 48. تفسیر ضرایب در حضور اثرات برهمکنش
• 49. مصورسازی اثرات برهمکنش با پکیج effects
• 50. چالش هم‌خطی چندگانه (Multicollinearity): تشخیص و اثرات
• 51. محاسبه فاکتور تورم واریانس (Variance Inflation Factor - VIF)
• 52. راهکارهای مقابله با هم‌خطی چندگانه
• 53. اصول انتخاب مدل: سادگی در برابر دقت
• 54. مقایسه مدل‌های تودرتو (Nested Models) با آزمون F
• 55. معیارهای اطلاعاتی برای انتخاب مدل: AIC و BIC
• 56. روش‌های انتخاب متغیر گام به گام (Stepwise Selection)
• 57. انتخاب پیش‌رو (Forward Selection)
• 58. انتخاب پس‌رو (Backward Elimination)
• 59. نقد و بررسی روش‌های انتخاب گام به گام
• 60. رگرسیون تمام زیرمجموعه‌ها (All Subsets Regression)
• 61. اعتبارسنجی متقابل (Cross-Validation) برای ارزیابی مدل
• 62. چرایی و چگونگی تبدیلات (Transformations) در رگرسیون
• 63. تبدیل متغیرهای پیش‌بین: لگاریتم، ریشه دوم و معکوس
• 64. تبدیل متغیر پاسخ: تبدیل باکس-کاکس (Box-Cox Transformation)
• 65. رگرسیون چندجمله‌ای (Polynomial Regression) برای روابط غیرخطی
• 66. استفاده از اسپلاین‌ها (Splines) برای انعطاف‌پذیری بیشتر مدل
• 67. مدل‌های جمعی تعمیم‌یافته (Generalized Additive Models - GAMs)
• 68. رگرسیون مقاوم (Robust Regression) در برابر داده‌های پرت
• 69. رگرسیون کمترین مربعات وزن‌دار (Weighted Least Squares - WLS)
• 70. بوت‌استرپ (Bootstrapping) در رگرسیون
• 71. بوت‌استرپ برای فواصل اطمینان ضرایب رگرسیون
• 72. فراتر از مدل خطی: معرفی مدل‌های خطی تعمیم‌یافته (GLM)
• 73. اجزای یک GLM: توزیع خطا، تابع پیوند و بخش سیستماتیک
• 74. رگرسیون لجستیک برای متغیرهای پاسخ دوتایی
• 75. برازش مدل رگرسیون لجستیک با تابع glm()
• 76. تفسیر ضرایب رگرسیون لجستیک: لگاریتم نسبت بخت‌ها (Log-Odds)
• 77. تبدیل ضرایب به نسبت بخت‌ها (Odds Ratios)
• 78. پیش‌بینی احتمالات در مدل لجستیک
• 79. ارزیابی مدل لجستیک: ماتریس درهم‌ریختگی (Confusion Matrix)
• 80. منحنی ROC و سطح زیر منحنی (AUC)
• 81. آزمون هاسمر-لمشو (Hosmer-Lemeshow Test) برای نیکویی برازش
• 82. تشخیص مدل برای رگرسیون لجستیک
• 83. رگرسیون پواسون (Poisson Regression) برای داده‌های شمارشی
• 84. تفسیر ضرایب مدل پواسون: لگاریتم نرخ رخداد
• 85. مفهوم پراکندگی بیش از حد (Overdispersion) در مدل‌های شمارشی
• 86. آزمون تشخیص پراکندگی بیش از حد
• 87. رگرسیون دوجمله‌ای منفی (Negative Binomial Regression)
• 88. مقایسه مدل پواسون و دوجمله‌ای منفی
• 89. مدل‌های دوجمله‌ای برای داده‌های نسبی (Binomial GLM)
• 90. مقدمه‌ای بر مدل‌های اثرات آمیخته (Mixed-Effects Models)
• 91. مدل‌های با عرض از مبدأ تصادفی (Random-Intercept Models)
• 92. مدل‌های با شیب تصادفی (Random-Slope Models)
• 93. برازش مدل‌های آمیخته با پکیج lme4
• 94. تفسیر بخش ثابت و تصادفی مدل‌های آمیخته
• 95. تحلیل باقی‌مانده‌ها در مدل‌های اثرات آمیخته
• 96. گزارش نتایج رگرسیون: جداول و نمودارهای استاندارد
• 97. جمع‌بندی نهایی و نقشه راه برای مدل‌سازی پیشرفته

تسلط بر رگرسیون کاربردی با R: از تحلیل خطی تا مدل‌های پیچیده

معرفی دوره

آیا به دنبال تسلط بر هنر مدل‌سازی آماری و تحلیل داده‌ها با استفاده از زبان برنامه‌نویسی R هستید؟ آیا می‌خواهید توانایی پیش‌بینی، شناسایی الگوها و استخراج بینش‌های ارزشمند از داده‌های خود را افزایش دهید؟ دوره جامع "تسلط بر رگرسیون کاربردی با R: از تحلیل خطی تا مدل‌های پیچیده" دقیقاً برای شما طراحی شده است.

این دوره با الهام از کتاب ارزشمند "An R Companion to Applied Regression"، یک مسیر آموزشی گام‌به‌گام و عملی را برای شما فراهم می‌کند تا بتوانید مفاهیم رگرسیون را به طور کامل درک کرده و آن‌ها را با استفاده از R به کار ببرید. فرقی نمی‌کند که یک دانشجوی تازه‌کار باشید یا یک تحلیلگر داده باتجربه، این دوره به شما کمک می‌کند تا مهارت‌های خود را در زمینه مدل‌سازی آماری ارتقا دهید.

درباره دوره

دوره "تسلط بر رگرسیون کاربردی با R" یک برنامه آموزشی جامع و کاربردی است که به شما مهارت‌های لازم برای ساخت و تحلیل مدل‌های رگرسیونی با استفاده از زبان R را ارائه می‌دهد. ما در این دوره، مفاهیم اساسی رگرسیون خطی را بررسی کرده و سپس به مدل‌های پیچیده‌تر مانند رگرسیون غیرخطی، رگرسیون لجستیک و مدل‌های سلسله مراتبی می‌پردازیم. هر مبحث با مثال‌های عملی و تمرین‌های کاربردی همراه است تا شما بتوانید آموخته‌های خود را به سرعت در دنیای واقعی به کار ببرید. مطالب این دوره تا حد زیادی بر اساس چارچوب ارائه شده در کتاب "An R Companion to Applied Regression" سازماندهی شده است، اما با تمرکز بیشتر بر جنبه‌های عملی و کاربردی و با مثال‌های به روز و مرتبط با نیازهای امروزی.

موضوعات کلیدی

• مفاهیم پایه رگرسیون و اهمیت آن در تحلیل داده‌ها
• رگرسیون خطی ساده و چندگانه: اصول، فرضیات و روش‌های برازش
• ارزیابی مدل‌های رگرسیونی: معیارهای ارزیابی، تشخیص مسائل و اصلاح مدل
• تبدیل متغیرها و اثرات متقابل در رگرسیون
• رگرسیون غیرخطی: مدل‌های نمایی، لگاریتمی و توانی
• رگرسیون لجستیک: پیش‌بینی احتمال وقوع یک رویداد
• مدل‌های خطی تعمیم‌یافته (GLM)
• رگرسیون پایا و مقاومت (Robust Regression)
• مدل‌های سلسله مراتبی (Hierarchical Models)
• تشخیص و رفع مشکلات multicollinearity و autocorrelation
• استفاده از R برای برازش، ارزیابی و تفسیر مدل‌های رگرسیونی
• مصورسازی نتایج رگرسیون با استفاده از ggplot2
• تحلیل حساسیت و اعتبارسنجی مدل‌ها

مخاطبان دوره

این دوره برای افراد زیر مناسب است:

• دانشجویان رشته‌های آمار، اقتصاد، علوم اجتماعی، مهندسی و سایر رشته‌های مرتبط که نیاز به تحلیل داده‌ها دارند.
• تحلیلگران داده و دانشمندان داده‌ای که می‌خواهند مهارت‌های خود را در زمینه مدل‌سازی رگرسیونی با R ارتقا دهند.
• پژوهشگرانی که می‌خواهند از مدل‌های رگرسیونی برای تحلیل داده‌های پژوهشی خود استفاده کنند.
• افرادی که به یادگیری زبان برنامه‌نویسی R و کاربردهای آن در تحلیل داده‌ها علاقه دارند.
• هر کسی که به دنبال درک عمیق‌تری از رگرسیون و کاربردهای آن در دنیای واقعی است.

چرا این دوره را بگذرانیم؟

گذراندن این دوره مزایای متعددی برای شما خواهد داشت:

• یادگیری عملی: با استفاده از مثال‌های کاربردی و تمرین‌های عملی، مفاهیم رگرسیون را به طور عمیق درک خواهید کرد.
• تسلط بر R: مهارت‌های خود را در استفاده از زبان R برای مدل‌سازی آماری و تحلیل داده‌ها تقویت خواهید کرد.
• آمادگی برای چالش‌ها: با انواع مدل‌های رگرسیونی و روش‌های ارزیابی آن‌ها آشنا خواهید شد و برای حل مسائل پیچیده در دنیای واقعی آماده خواهید شد.
• فرصت‌های شغلی: با کسب مهارت‌های مورد نیاز در زمینه تحلیل داده‌ها، فرصت‌های شغلی خود را افزایش خواهید داد.
• بروزرسانی دانش: با جدیدترین روش‌ها و تکنیک‌های مدل‌سازی رگرسیونی آشنا خواهید شد.
• الهام‌گرفته از منبع معتبر: محتوای دوره با الهام از کتاب معتبر "An R Companion to Applied Regression" تهیه شده است.

سرفصل‌های دوره (100 سرفصل جامع)

در اینجا تنها بخشی از سرفصل‌های جامع این دوره ارائه شده است:

• مقدمه‌ای بر R و RStudio
• وارد کردن و پاکسازی داده‌ها در R
• آمار توصیفی و مصورسازی داده‌ها با R
• مفاهیم پایه رگرسیون خطی
• برازش رگرسیون خطی ساده با R
• تفسیر ضرایب رگرسیون خطی
• ارزیابی مدل رگرسیون خطی ساده
• فرضیات رگرسیون خطی و بررسی آن‌ها
• تشخیص و رفع مشکلات normality, linearity, homoscedasticity
• رگرسیون خطی چندگانه
• انتخاب متغیرها در رگرسیون چندگانه (Forward, Backward, Stepwise)
• اثرات متقابل (Interaction Effects) در رگرسیون
• متغیرهای Dummy و کاربرد آن‌ها
• تشخیص و رفع مشکل Multicollinearity
• تشخیص و رفع مشکل Autocorrelation
• تبدیل متغیرها (Transformation) در رگرسیون
• Outlier Detection و مدیریت آن‌ها
• رگرسیون وزنی (Weighted Least Squares)
• رگرسیون پایا (Robust Regression)
• رگرسیون لجستیک: مقدمه
• برازش رگرسیون لجستیک با R
• تفسیر نتایج رگرسیون لجستیک (Odds Ratio)
• ارزیابی مدل رگرسیون لجستیک
• رگرسیون چند جمله‌ای (Polynomial Regression)
• مدل‌های خطی تعمیم یافته (GLM)
• رگرسیون پواسون (Poisson Regression)
• رگرسیون Gamma
• مدل‌های سلسله مراتبی (Mixed Effects Models): مقدمه
• اجرای مدل‌های سلسله مراتبی با R (lme4 package)
• تحلیل واریانس (ANOVA) و تحلیل کوواریانس (ANCOVA) با رگرسیون
• مدل‌سازی داده‌های سری زمانی با رگرسیون
• پیش‌بینی با استفاده از مدل‌های رگرسیونی
• اعتبارسنجی مدل‌ها (Cross-validation)
• مصورسازی پیشرفته نتایج رگرسیون با ggplot2
• نوشتن گزارش‌های رگرسیونی با استفاده از R Markdown
• بهینه‌سازی مدل‌های رگرسیونی
• ... (و بیش از 60 سرفصل دیگر)

همین امروز ثبت‌نام کنید و سفر خود را به سوی تسلط بر مدل‌سازی رگرسیونی با R آغاز کنید! این دوره دروازه ورود شما به دنیای تحلیل داده‌های پیشرفته و فرصت‌های شغلی بی‌شمار است.