کتاب صوتی مدل‌سازی رگرسیونی برای پیش‌بینی متغیرها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی رگرسیونی برای پیش‌بینی متغیرها

موضوع کلی: تحلیل داده‌ها و هوش تجاری

موضوع میانی: آمار کاربردی و مدل‌سازی آماری در کسب‌وکار

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی رگرسیونی
• 2. انواع متغیرها در رگرسیون
• 3. همبستگی و رابطه با رگرسیون
• 4. رگرسیون خطی ساده: مفاهیم اولیه
• 5. تخمین پارامترهای رگرسیون خطی
• 6. معیارهای ارزیابی مدل رگرسیون خطی
• 7. تحلیل باقیمانده‌ها در رگرسیون خطی
• 8. پیش‌فرض‌های رگرسیون خطی
• 9. نقض پیش‌فرض‌ها و راه‌حل‌ها
• 10. رگرسیون خطی چندگانه: معرفی
• 11. تفسیر ضرایب رگرسیون چندگانه
• 12. انتخاب متغیرها در رگرسیون چندگانه
• 13. روش‌های حذف متغیرها: گام به گام
• 14. روش‌های ورود متغیرها: گام به گام
• 15. متغیرهای دسته‌ای در رگرسیون
• 16. متغیرهای مجازی و کاربردهای آن
• 17. رگرسیون غیرخطی: مقدمه
• 18. مدل‌سازی چندجمله‌ای
• 19. تبدیل متغیرها برای خطی‌سازی رابطه
• 20. رگرسیون لجستیک: مفاهیم پایه
• 21. تفسیر نتایج رگرسیون لجستیک
• 22. ارزیابی عملکرد مدل رگرسیون لجستیک
• 23. کاربرد رگرسیون لجستیک در طبقه‌بندی
• 24. رگرسیون پواسون: معرفی و کاربرد
• 25. مدل‌سازی داده‌های شمارشی با رگرسیون پواسون
• 26. رگرسیون سری زمانی: مفاهیم اولیه
• 27. تحلیل خودهمبستگی در سری‌های زمانی
• 28. مدل‌های ARIMA: معرفی و کاربرد
• 29. پیش‌بینی با استفاده از مدل‌های ARIMA
• 30. رگرسیون Ridge و Lasso
• 31. مزایا و معایب رگرسیون Ridge و Lasso
• 32. انتخاب پارامتر تنظیم در Ridge و Lasso
• 33. رگرسیون Elastic Net
• 34. مقایسه رگرسیون Ridge، Lasso و Elastic Net
• 35. اعتبارسنجی متقابل (Cross-Validation)
• 36. روش‌های اعتبارسنجی متقابل
• 37. استفاده از اعتبارسنجی متقابل برای انتخاب مدل
• 38. رگرسیون با داده‌های از قلم افتاده
• 39. روش‌های برخورد با داده‌های از قلم افتاده
• 40. رگرسیون و داده‌های پرت
• 41. شناسایی و برخورد با داده‌های پرت
• 42. رگرسیون و چندخطی بودن
• 43. تشخیص و رفع مشکل چندخطی بودن
• 44. رگرسیون و ناهمسانی واریانس
• 45. تشخیص و رفع مشکل ناهمسانی واریانس