فلش‌کارت‌های آموزشی آموزش جامع رگرسیون خطی با پایتون از مقدماتی تا پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع رگرسیون خطی با پایتون از مقدماتی تا پیشرفته

موضوع کلی: یادگیری ماشین و تحلیل داده

موضوع میانی: مدل‌سازی پیش‌بینی با رگرسیون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر رگرسیون خطی و کاربردهای آن
• 2. تنظیم محیط پایتون برای تحلیل رگرسیون
• 3. آشنایی با کتابخانه‌های NumPy و Pandas
• 4. مفاهیم پایه آمار توصیفی برای رگرسیون
• 5. همبستگی و ماتریس همبستگی بین متغیرها
• 6. معرفی مدل رگرسیون خطی ساده
• 7. برآورد پارامترها با روش حداقل مربعات معمولی
• 8. تابع هزینه و معیار خطا در رگرسیون
• 9. نحوه برازش خط رگرسیون با داده‌ها
• 10. تفسیر ضرایب و عرض از مبدأ
• 11. آزمون فرضیه‌های آماری در رگرسیون
• 12. معیارهای ارزیابی مدل: R-squared و Adjusted R-squared
• 13. معرفی رگرسیون خطی چندگانه
• 14. انتخاب متغیرهای مستقل مناسب
• 15. پیش‌پردازش داده‌ها: استانداردسازی و نرمال‌سازی
• 16. مدیریت داده‌های گمشده و پرت
• 17. رگرسیون چندجمله‌ای و تبدیل ویژگی‌ها
• 18. تعامل بین متغیرها و اثرات متقاطع
• 19. تشخیص هم‌خطی چندگانه و راهکارها
• 20. روش Ridge Regression برای منظم‌سازی
• 21. روش Lasso Regression و انتخاب ویژگی
• 22. روش Elastic Net و ترکیب منظم‌سازی
• 23. رگرسیون با متغیرهای طبقه‌ای و کدگذاری
• 24. رگرسیون خطی با استفاده از scikit-learn
• 25. تقسیم داده به آموزش و آزمون
• 26. اعتبارسنجی متقاطع برای ارزیابی مدل
• 27. منحنی یادگیری و تحلیل بیش‌برازش
• 28. روش‌های افزایش پایداری مدل
• 29. رگرسیون وزنی محلی (Lowess)
• 30. رگرسیون با داده‌های سری زمانی
• 31. پیش‌بینی با مدل رگرسیون خطی
• 32. فاصله اطمینان برای پیش‌بینی
• 33. بوت‌استرپ و تخمین عدم قطعیت
• 34. رگرسیون خطی بیزین مقدماتی
• 35. نرمال بودن باقیمانده‌ها و فرض‌های مدل
• 36. تجزیه و تحلیل باقیمانده‌ها
• 37. تبدیل‌های Box-Cox برای نرمال‌سازی
• 38. رگرسیون با داده‌های بزرگ و تکنیک‌های بهینه
• 39. رگرسیون گام‌به‌گام و انتخاب پیشرو/پسرو
• 40. رگرسیون با معیار اطلاعاتی AIC و BIC
• 41. مقایسه رگرسیون خطی با مدل‌های دیگر
• 42. استخراج ویژگی‌های مهم از مدل
• 43. رسم نمودارهای تشخیصی رگرسیون
• 44. رگرسیون خطی در مسائل طبقه‌بندی دودویی
• 45. رگرسیون لجستیک به عنوان توسعه رگرسیون خطی
• 46. معرفی رگرسیون چندکی
• 47. پیاده‌سازی رگرسیون با Statsmodels
• 48. کار با داده‌های واقعی و پروژه عملی
• 49. پیش‌بینی قیمت مسکن با رگرسیون خطی
• 50. تحلیل رگرسیون در داده‌های فروش و بازاریابی
• 51. مدل‌سازی روندها با رگرسیون
• 52. ارزیابی فرضیه نرمال بودن خطاها
• 53. روش حداقل مربعات تعمیم‌یافته
• 54. رگرسیون با واریانس ناهمسانی و راهکارها
• 55. رگرسیون با داده‌های وابسته و خودهمبستگی
• 56. نرم‌افزارهای مکمل و ابزارهای بصری
• 57. بهینه‌سازی مدل با تکنیک‌های گرادیان کاهشی
• 58. رگرسیون در چارچوب یادگیری ماشین
• 59. معرفی کتابخانه Matplotlib برای تحلیل بصری
• 60. رسم خط رگرسیون و نقاط داده
• 61. ذخیره و بارگذاری مدل با Pickle و Joblib
• 62. معرفی Pipeline در scikit-learn
• 63. رگرسیون با ویژگی‌های غیرخطی و Spline
• 64. مفاهیم خطای تعمیم و سوگیری-واریانس
• 65. حساسیت مدل به نویز و داده‌های پرت
• 66. روش رگرسیون ستیغی (Ridge) پیشرفته
• 67. روش رگرسیون کم‌تایی (Lasso) پیشرفته
• 68. بهینه‌سازی فراپارامترها با Grid Search
• 69. مقایسه عملکرد مدل‌های مختلف رگرسیون
• 70. تحلیل اهمیت ویژگی‌ها با رگرسیون
• 71. استفاده از رگرسیون در تحلیل علّی
• 72. محدودیت‌های رگرسیون خطی و جایگزین‌ها
• 73. پروژه نهایی: مدل‌سازی پیش‌بینی جامع