تحلیل رگرسیون

آنچه یاد خواهید گرفت:

• درک اصول و اهمیت تحلیل رگرسیون در یادگیری نظارت شده
• پیاده‌سازی متدهای اعتبارسنجی متقابل برای ارزیابی عملکرد مدل و بهینه‌سازی هایپرپارامترها
• درک متدهای گروهی (bagging، بوستینگ و استک کردن) و نقش آنها در افزایش دقت مدل‌ رگرسیون

توضیحات دوره

دوره «تحلیل رگرسیون» مفاهیم اساسی یکی از مهم‌ترین متدهای یادگیری نظارت شده، یعنی رگرسیون را به دانشجویان آموزش می‌دهد. شرکت‌کنندگان با تکنیک‌های مختلف رگرسیون آشنا شده و یاد می‌گیرند که چگونه آنها را به‌طور مؤثر ارزیابی کنند. همچنین دانشجویان در مباحث پیشرفته، از جمله رگرسیون چندجمله‌ای، تکنیک‌های منظم‌سازی (ریج، لسو و Elastic Net)، اعتبارسنجی متقابل و متدهای گروهی (bagging، بوستینگ و استک کردن) تخصص پیدا خواهند کرد. از طریق آموزش‌های تعاملی و مطالعات موردی کاربردی، دانشجویان در اعمال تحلیل رگرسیون در سناریوهای داده واقعی، تجربه عملی به‌دست خواهند آورد.

در پایان دوره قادر به درک موارد زیر خواهید بود:

• درک اصول و اهمیت تحلیل رگرسیون در یادگیری نظارت شده
• درک مفاهیم و کاربردهای رگرسیون خطی و تفسیر آن در مجموعه داده‌های واقعی
• بررسی رگرسیون چندجمله‌ای برای به ضبط روابط غیرخطی بین متغیرها
• اعمال تکنیک‌های منظم‌سازی (ریج، لسو و Elastic Net) برای جلوگیری از بیش برازش و بهبود تعمیم مدل
• پیاده‌سازی متدهای اعتبارسنجی متقابل برای ارزیابی عملکرد مدل و بهینه‌سازی هایپرپارامترها
• درک متدهای گروهی (bagging، بوستینگ و استک کردن) و نقش آنها در افزایش دقت مدل‌ رگرسیون
• ارزیابی و مقایسه عملکرد مدل‌های مختلف رگرسیون با استفاده از متریک‌های مناسب
• اعمال تکنیک‌های تحلیل رگرسیون در مطالعات موردی واقعی و اتخاذ تصمیمات داده محور

در طول دوره، دانشجویان به‌طور فعال در آموزش‌ها و مطالعات موردی شرکت کرده و مهارت‌های تحلیل رگرسیون خود را تقویت کرده و تجربه عملی در اعمال تکنیک‌های رگرسیون در مجموعه داده‌های مختلف به‌دست خواهند آورد. با دستیابی به اهداف یادگیری، شرکت‌کنندگان به‌خوبی برای موفقیت در تسک‌های تحلیل رگرسیون و اخذ تصمیمات آگاهانه با استفاده از مدل‌های رگرسیون آماده خواهند شد.