کتاب صوتی کشف بینش‌های پنهان: تسلط بر رگرسیون و مدل‌های سلسله‌مراتبی برای تحلیل داده‌های واقعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف بینش‌های پنهان: تسلط بر رگرسیون و مدل‌های سلسله‌مراتبی برای تحلیل داده‌های واقعی

موضوع کلی: علم داده کاربردی

موضوع میانی: مدل‌سازی رگرسیونی و سلسله‌مراتبی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده کاربردی و تفکر آماری
• 2. چرا مدل‌سازی؟ فراتر از داشبوردهای مدیریتی
• 3. معرفی مجموعه داده‌های واقعی برای دوره
• 4. آماده‌سازی محیط کار: R، پایتون و ابزارهای کلیدی
• 5. مفاهیم پایه‌ای احتمال: از توزیع‌ها تا قضیه بیز
• 6. استنباط آماری: برآورد، فواصل اطمینان و آزمون فرض
• 7. کاوش و مصورسازی داده‌ها: اولین گام در تحلیل
• 8. مفهوم همبستگی در مقابل علیت: یک اشتباه رایج
• 9. رگرسیون خطی ساده: ساخت اولین مدل
• 10. تفسیر ضرایب رگرسیون: شیب و عرض از مبدأ
• 11. معیار R-squared: چقدر مدل ما خوب است؟
• 12. مفروضات رگرسیون خطی: آشنایی با L.I.N.E
• 13. تشخیص بصری باقیمانده‌ها برای ارزیابی مدل
• 14. ورود به رگرسیون چندگانه: افزودن متغیرهای پیش‌بین
• 15. تفسیر ضرایب در رگرسیون چندگانه
• 16. مشکل هم‌خطی چندگانه (Multicollinearity) و راه‌های تشخیص آن
• 17. متغیرهای پیش‌بین طبقه‌ای: استفاده از Dummy Variables
• 18. تبدیل متغیرها: لگاریتم، ریشه دوم و معکوس
• 19. اثرات متقابل (Interaction Effects): زمانی که متغیرها با هم کار می‌کنند
• 20. تفسیر و مصورسازی اثرات متقابل
• 21. مرکزیت (Centering) و استانداردسازی (Standardizing) متغیرها
• 22. مقایسه مدل‌ها: R-squared تعدیل‌شده، AIC و BIC
• 23. تشخیص نقاط پرت (Outliers) و نقاط اهرمی (Leverage Points)
• 24. روش‌های انتخاب متغیر: Forward, Backward, Stepwise
• 25. پیش‌بینی با مدل‌های رگرسیونی: ساخت و ارزیابی پیش‌بینی‌ها
• 26. اعتبارسنجی متقابل (Cross-Validation) برای ارزیابی عملکرد مدل
• 27. فراتر از خطوط مستقیم: رگرسیون چندجمله‌ای
• 28. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLMs)
• 29. رگرسیون لجستیک: مدل‌سازی خروجی‌های دوتایی
• 30. تفسیر ضرایب رگرسیون لجستیک: شانس و نسبت شانس (Odds Ratios)
• 31. ارزیابی مدل‌های لجستیک: منحنی ROC و ماتریس درهم‌ریختگی
• 32. رگرسیون پواسون: مدل‌سازی داده‌های شمارشی
• 33. مشکل بیش‌پراکنش (Overdispersion) در مدل‌های پواسون
• 34. رگرسیون دوجمله‌ای منفی (Negative Binomial)
• 35. مقدمه‌ای بر استنباط علی (Causal Inference)
• 36. متغیرهای مخدوش‌کننده (Confounding Variables)
• 37. چارچوب نتایج بالقوه (Potential Outcomes Framework)
• 38. استفاده از رگرسیون برای تخمین اثرات علی
• 39. طرح گسستگی رگرسیون (Regression Discontinuity Design)
• 40. مفهوم متغیرهای ابزاری (Instrumental Variables)
• 41. داده‌های تودرتو (Nested Data) چیست؟ چرا رگرسیون معمولی شکست می‌خورد؟
• 42. مثال‌هایی از ساختارهای داده سلسله‌مراتبی: دانش‌آموزان در مدارس، بیماران در بیمارستان‌ها
• 43. مشکل عدم استقلال خطاها در داده‌های خوشه‌ای
• 44. تجمیع کامل (Complete Pooling) در مقابل عدم تجمیع (No Pooling)
• 45. مسیر میانه: تجمیع جزئی (Partial Pooling) و مفهوم انقباض (Shrinkage)
• 46. معرفی مدل‌های چندسطحی/سلسله‌مراتبی
• 47. اثرات ثابت (Fixed Effects) در مقابل اثرات تصادفی (Random Effects)
• 48. اولین مدل چندسطحی: مدل فقط با عرض از مبدأ تصادفی (Random-Intercept Model)
• 49. تفسیر واریانس بین گروهی و درون گروهی
• 50. پیاده‌سازی مدل عرض از مبدأ تصادفی در R/Python
• 51. مصورسازی نتایج مدل‌های چندسطحی
• 52. تخمین‌های سطح گروهی و پدیده انقباض (Shrinkage)
• 53. افزودن پیش‌بین‌های سطح ۱ (سطح فردی)
• 54. افزودن پیش‌بین‌های سطح ۲ (سطح گروهی)
• 55. مدل شیب تصادفی (Random-Slope Model): وقتی اثرات در گروه‌ها متفاوت است
• 56. تفسیر واریانس شیب‌ها
• 57. پیاده‌سازی مدل شیب تصادفی
• 58. مدل‌های عرض از مبدأ و شیب تصادفی
• 59. تفسیر کوواریانس بین عرض از مبدأ و شیب
• 60. چه زمانی از شیب تصادفی استفاده کنیم؟
• 61. مدل‌سازی با متغیرهای پیش‌بین در هر دو سطح
• 62. اثرات متقابل بین سطوح (Cross-Level Interactions)
• 63. مرکزیت متغیرها در مدل‌های چندسطحی: Grand-Mean vs. Group-Mean Centering
• 64. پیش‌بینی با استفاده از مدل‌های چندسطحی
• 65. مقایسه مدل‌های چندسطحی با استفاده از آزمون نسبت درستنمایی و AIC/BIC
• 66. تشخیص و ارزیابی مدل‌های چندسطحی
• 67. مدل‌های چندسطحی برای خروجی‌های دوتایی: رگرسیون لجستیک چندسطحی
• 68. مدل‌های چندسطحی برای داده‌های شمارشی: رگرسیون پواسون چندسطحی
• 69. ساختارهای سلسله‌مراتبی سه‌سطحی و بالاتر
• 70. مدل‌های با اثرات متقاطع (Crossed-Effects Models)
• 71. تحلیل داده‌های طولی (Longitudinal Data) با مدل‌های چندسطحی
• 72. مدل‌های رشد (Growth-Curve Models)
• 73. مقدمه‌ای بر رویکرد بیزی برای مدل‌سازی
• 74. تفاوت فلسفی بین رویکرد فراوانی‌گرایانه و بیزی
• 75. قضیه بیز و اجزای آن: پیشین، درستنمایی، پسین
• 76. مدل‌های رگرسیون از دیدگاه بیزی
• 77. پیاده‌سازی رگرسیون بیزی با استفاده از Stan یا PyMC
• 78. تفسیر توزیع‌های پسین (Posterior Distributions)
• 79. فواصل معتبر (Credible Intervals) در مقابل فواصل اطمینان
• 80. مدل‌های چندسطحی بیزی
• 81. مزایای رویکرد بیزی در مدل‌های پیچیده
• 82. بررسی همگرایی مدل‌های بیزی (MCMC Diagnostics)
• 83. بررسی تطابق مدل با داده‌ها: Posterior Predictive Checking
• 84. مقایسه مدل‌های بیزی: DIC, WAIC و LOO-CV
• 85. مدل‌سازی مقادیر گمشده (Missing Data)
• 86. روش‌های ساده برای داده‌های گمشده و معایب آن‌ها
• 87. جایگزینی چندگانه (Multiple Imputation)
• 88. ادغام نتایج حاصل از جایگزینی چندگانه
• 89. مدل‌سازی داده‌های فضایی به عنوان یک مدل چندسطحی
• 90. چالش‌های محاسباتی در مدل‌های بزرگ
• 91. نکاتی برای بهینه‌سازی عملکرد مدل
• 92. اصول مصورسازی موثر داده‌ها و نتایج مدل
• 93. چگونه نتایج مدل را به مخاطب غیرفنی توضیح دهیم؟
• 94. اخلاق در مدل‌سازی آماری: سوگیری و انصاف
• 95. مطالعه موردی ۱: تحلیل عملکرد تحصیلی دانش‌آموزان
• 96. مطالعه موردی ۲: پیش‌بینی موفقیت کمپین بازاریابی
• 97. مطالعه موردی ۳: تحلیل داده‌های سلامت عمومی
• 98. پروژه نهایی: طراحی، اجرا و ارائه یک تحلیل کامل
• 99. مسیر یادگیری پس از این دوره: به کجا برویم؟