تخفیف!
آموزش اصول رگرسیون و پیش بینی در یادگیری ماشین بدون کدنویسی

آموزش اصول یادگیری ماشین قسمت سوم: رگرسیون و پیش بینی | Machine Learning for Data Analysis: Regression & Forecasting

(1 بررسی مشتری)

قیمت اصلی 1,300,000ریال بود.قیمت فعلی 300,000ریال است.

  • 2.5 ساعت ویدیو با زیرنویس انگلیسی و کیفیت 1080
  • به روز رسانی 10/2022 تهیه شده رسمی یودمی ایران
  • شامل تمام فایل های مکمل دوره
  • مدرس: Maven Analytics,Joshua MacCarty
  • حجم:809MB (ترافیک داخلی)

توضیحات

آموزش اصول رگرسیون و پیش بینی در یادگیری ماشین بدون کدنویسی

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

آموزش اصول رگرسیون و پیش بینی در یادگیری ماشین بدون کدنویسی

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:

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

 

آموزش اصول رگرسیون و پیش بینی در یادگیری ماشین بدون کدنویسی

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 :

1 دیدگاه برای آموزش اصول یادگیری ماشین قسمت سوم: رگرسیون و پیش بینی | Machine Learning for Data Analysis: Regression & Forecasting

  1. یودمی ایران

    دوره درخواستی خود را از راه های ارتباطی درخواست کنید

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *