کتاب صوتی تسلط بر تحلیل داده‌های طبقه‌ای: از مبانی تا مدل‌سازی پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر تحلیل داده‌های طبقه‌ای: از مبانی تا مدل‌سازی پیشرفته

موضوع کلی: مدل‌سازی آماری

موضوع میانی: تحلیل داده‌های طبقه‌ای

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های طبقه‌ای و انواع آنها
• 2. جداول توافقی: ساختار و تفسیر
• 3. آزمون‌های استقلال در جداول توافقی
• 4. اندازه‌گیری قدرت ارتباط در جداول توافقی
• 5. تحلیل گرافیکی داده‌های طبقه‌ای
• 6. رگرسیون لجستیک: معرفی و مبانی
• 7. برآورد پارامترها در مدل رگرسیون لجستیک
• 8. تفسیر ضرایب در مدل رگرسیون لجستیک
• 9. آزمون برازش مدل رگرسیون لجستیک
• 10. تشخیص نقاط پرت و موارد با نفوذ در رگرسیون لجستیک
• 11. رگرسیون لجستیک چندمتغیره
• 12. متغیرهای طبقه‌ای ترتیبی در رگرسیون لجستیک
• 13. رگرسیون لجستیک برای داده‌های پانلی
• 14. مدل‌های لجستیک شرطی
• 15. رگرسیون پروبیت: جایگزینی برای رگرسیون لجستیک
• 16. مقایسه رگرسیون لجستیک و پروبیت
• 17. مدل‌های خطی تعمیم‌یافته (GLM): معرفی
• 18. تابع پیوند و توزیع احتمال در GLM
• 19. مدل پواسون: شمارش رویدادها
• 20. رگرسیون پواسون: کاربرد و تفسیر
• 21. اُفست در رگرسیون پواسون
• 22. مدل‌های تعمیم‌یافته با توزیع‌های دیگر
• 23. مدل‌های نیمه‌پارامتری برای داده‌های طبقه‌ای
• 24. تحلیل بقا با داده‌های طبقه‌ای
• 25. مدل‌های مخاطره متناسب کاکس: مبانی
• 26. تفسیر خروجی مدل کاکس
• 27. آزمون فرضیه‌های مدل کاکس
• 28. داده‌های سانسور شده و مدل‌های بقا
• 29. مدل‌های بقای پارامتری
• 30. تحلیل داده‌های بقا با متغیرهای طبقه‌ای
• 31. تحلیل خوشه‌ای داده‌های طبقه‌ای
• 32. روش‌های فاصله‌ای برای خوشه‌بندی
• 33. روش‌های غیرفاصله‌ای برای خوشه‌بندی
• 34. ارزیابی نتایج خوشه‌بندی
• 35. کاربرد نرم‌افزارهای آماری برای خوشه‌بندی
• 36. مدل‌های مخلوط: مقدمه و کاربرد
• 37. مدل‌های مخلوط گوسی
• 38. مدل‌های مخلوط برای داده‌های طبقه‌ای
• 39. تخمین پارامترها در مدل‌های مخلوط
• 40. انتخاب تعداد اجزا در مدل مخلوط
• 41. کاربرد مدل‌های مخلوط در تقسیم‌بندی بازار
• 42. مدل‌های پنهان مارکوف (HMM): معرفی
• 43. حالت‌های پنهان و مشاهده‌شده در HMM
• 44. الگوریتم‌های یادگیری در HMM
• 45. کاربرد HMM در تشخیص الگو
• 46. تخمین توالی حالت‌ها با HMM
• 47. مدل‌سازی سری‌های زمانی طبقه‌ای
• 48. مدل‌های سری زمانی گسسته
• 49. کاربرد زنجیره‌های مارکوف در مدل‌سازی
• 50. پیش‌بینی با استفاده از زنجیره‌های مارکوف
• 51. مدل‌های اتورگرسیو گسسته (DAR)
• 52. مدل‌های ARCH و GARCH برای داده‌های طبقه‌ای
• 53. تحلیل عاملی داده‌های طبقه‌ای
• 54. تحلیل مولفه‌های اصلی برای داده‌های طبقه‌ای
• 55. کاهش ابعاد با استفاده از تحلیل عاملی
• 56. تفسیر عوامل و بار عاملی
• 57. مقایسه تحلیل عاملی و مولفه‌های اصلی
• 58. شبکه‌های بیزی: معرفی و ساختار
• 59. استدلال احتمالی در شبکه‌های بیزی
• 60. یادگیری ساختار شبکه بیزی از داده‌ها
• 61. کاربرد شبکه‌های بیزی در تصمیم‌گیری
• 62. استنتاج در شبکه‌های بیزی
• 63. تحلیل متن با استفاده از داده‌های طبقه‌ای
• 64. مدل‌سازی موضوعی (Topic Modeling)
• 65. تحلیل احساسات (Sentiment Analysis)
• 66. استخراج اطلاعات از متن
• 67. کاربرد الگوریتم‌های یادگیری ماشین در تحلیل متن
• 68. درخت‌های تصمیم برای داده‌های طبقه‌ای
• 69. الگوریتم‌های ساخت درخت تصمیم
• 70. معیارهای تقسیم‌بندی در درخت‌های تصمیم
• 71. هرس درخت تصمیم (Tree Pruning)
• 72. جنگل‌های تصادفی (Random Forests)
• 73. ماشین‌های بردار پشتیبان (SVM) برای داده‌های طبقه‌ای
• 74. روش‌های ارزیابی عملکرد مدل‌های طبقه‌ای
• 75. ماتریس درهم‌ریختگی (Confusion Matrix)
• 76. دقت (Accuracy)، بازخوانی (Recall)، و ویژگی (Specificity)
• 77. منحنی ROC و سطح زیر منحنی (AUC)
• 78. انتخاب مدل و اعتبارسنجی متقابل (Cross-Validation)
• 79. مدل‌های یادگیری عمیق برای داده‌های طبقه‌ای
• 80. شبکه‌های عصبی مصنوعی (ANN)
• 81. شبکه‌های عصبی کانولوشنی (CNN)
• 82. شبکه‌های عصبی بازگشتی (RNN)
• 83. کاربرد یادگیری عمیق در پردازش زبان طبیعی (NLP)
• 84. یادگیری انتقالی (Transfer Learning)
• 85. مدل‌سازی معادلات ساختاری (SEM) برای داده‌های طبقه‌ای
• 86. تحلیل مسیر (Path Analysis)
• 87. متغیرهای میانجی و تعدیل‌گر
• 88. آزمون فرضیه‌ها در SEM
• 89. اعتبارسنجی مدل SEM
• 90. تحلیل واریانس (ANOVA) برای داده‌های طبقه‌ای
• 91. آزمون‌های تعقیبی (Post-Hoc Tests)
• 92. اندازه‌گیری اثر در ANOVA
• 93. ANOVA چندراهه
• 94. ANOVA با اندازه‌های مکرر
• 95. مدل‌های خطی سلسله مراتبی (HLM) برای داده‌های طبقه‌ای
• 96. اثرات سطح و فردی
• 97. مدل‌های با اثرات تصادفی
• 98. تخمین پارامترها در HLM
• 99. تفسیر نتایج HLM
• 100. مدل‌های فضایی برای داده‌های طبقه‌ای