توضیحات

آموزش اصول رگرسیون و پیش بینی در یادگیری ماشین بدون کدنویسی

نام دوره :Machine Learning for Data Analysis: Regression & Forecasting

پیش نیاز:

• این یک دوره آموزشی مبتدی است (بدون نیاز به دانش قبلی یا پیشینه ریاضی/آمار)
• ما از Microsoft Excel (Office 365) برای برخی از نمایش‌های دوره استفاده خواهیم کرد.
• این قسمت 3 از سری یادگیری ماشین ما برای BI است (توصیه می‌کنیم ابتدا قسمت‌های 1 و 2 را ملاحظه کنید)

توضیحات:

این دوره، بخش 3 از یک سری 4 قسمتی است که برای کمک به شما در ایجاد یک درک قوی و اساسی از یادگیری ماشین طراحی شده است:

• بخش 1: بررسی کیفیت و دسته بندی داده
• بخش 2: مدل سازی طبقه بندی
• بخش 3: رگرسیون و پیش بینی
• بخش 4: یادگیری بدون نظارت

دوره آموزش اصول رگرسیون و پیش بینی در یادگیری ماشین بدون کدنویسی ، علم داده را برای افراد عادی قابل دسترسی می‌کند و برای ابهام‌زدایی از ابزارها و تکنیک‌های قدرتمند یادگیری ماشین طراحی شده است، بدون اینکه تلاشی برای آموزش همزمان زبان برنامه‌نویسی به شما داشته باشد.

در عوض، ما از ابزارهای آشنا و کاربر پسند مانند مایکروسافت اکسل استفاده می‌کنیم تا موضوعات پیچیده را بشکافیم و به شما کمک می‌کنیم قبل از اینکه به سراغ زبان‌های برنامه‌نویسی مانند پایتون یا R بروید، دقیقاً بدانید که چگونه و چرا یادگیری ماشینی کار می‌کند.

برخلاف اکثر دوره‌های علم داده و یادگیری ماشین. ، شما در اسن دوره یک خط کد هم نمی نویسید .

خلاصه دوره:

در این دوره آموزشی قسمت 3، ما با معرفی بلوک‌های سازنده اصلی مانند روابط خطی و حداقل مربعات خطا شروع می‌کنیم ، سپس به شما نشان می‌دهیم که چگونه این مفاهیم را می‌توان در مدل‌های رگرسیون تک متغیره، چند متغیره و غیرخطی اعمال کرد.

از آنجا ما معیارهای تشخیصی رایج مانند R-squared ، میانگین خطا ، F-significance و P-Values ​​را به همراه مفاهیم مهمی مانند homoscedasticity و multicolinearity مرور خواهیم کرد.

در نهایت، ما به پیش‌بینی سری‌های زمانی می‌پردازیم ، و تکنیک‌های قدرتمندی برای شناسایی فصلی، پیش‌بینی روندهای غیرخطی، و اندازه‌گیری تأثیر تصمیم‌های کلیدی کسب‌وکار با استفاده از تحلیل مداخله بررسی می‌کنیم:

بخش 1: مقدمه ای بر رگرسیون

• چشم انداز یادگیری تحت نظارت
• رگرسیون در مقابل طبقه بندی
• مهندسی ویژگی
• Overfitting & Underfitting
• پیش‌بینی در مقابل تحلیل ریشه‌ای

بخش 2: مدل سازی رگرسیون 101

• روابط خطی
• حداقل مربعات خطا (SSE)
• رگرسیون تک متغیره
• رگرسیون چند متغیره
• تبدیل غیرخطی

بخش 3: تشخیص مدل

• R-Squared
• معیارهای میانگین خطا (MSE، MAE، MAPE)
• فرضیه صفر
• F- اهمیت
• T-Values ​​و P-Values
• Homoskedasticity
• چند خطی

بخش 4: پیش بینی سری های زمانی

• فصلی بودن
• تابع همبستگی خودکار (ACF)
• روند خطی
• مدل‌های غیر خطی (گومپرتز)
• تجزیه و تحلیل مداخله

در طول دوره، ما مطالعات موردی عملی را برای تثبیت مفاهیم کلیدی و پیوند آنها با سناریوهای دنیای واقعی معرفی خواهیم کرد .

خواهید دید که چگونه می توان از تحلیل رگرسیون برای تخمین قیمت ملک، پیش بینی روندهای فصلی، پیش بینی فروش برای راه اندازی محصول جدید و حتی اندازه گیری تأثیر تجاری طراحی وب سایت جدید استفاده کرد.

دوره آموزش اصول رگرسیون و پیش بینی در یادگیری ماشین بدون کدنویسی برای چه کسانی است:

• هر کسی که به دنبال یادگیری اصول یادگیری ماشینی از طریق دموهای واقعی و توضیحات بصری و شفاف است.
• تحلیلگران داده یا کارشناسان BI به دنبال انتقال به علم داده یا ایجاد درک اساسی از یادگیری ماشین هستند
• کاربران R یا Python به دنبال درک عمیق تر از مدل ها و الگوریتم های پشت کد خود هستند
• کاربران اکسل که می خواهند ابزارهای قدرتمندی را برای پیش بینی و تجزیه و تحلیل پیش بینی یاد بگیرند

بخشی از دوره :