بالاترین کیفیت
این محصول آموزشی در ارتباط با آموزش یکی از پرکاربردترین روش های مدل سازی داده ها (رگرسیون خطی با زبان برنامه نویسی پایتون) که پایه ریاضی بسیار ساده ای هم دارد، رگرسیون خطی است و نحوه پیاده سازی آن در پایتون را توضیح می دهد. رگرسیون خطی نوعی تحلیل پیش بینی است که در بسیاری از زمینه ها از جمله علوم، مهندسی و پیش بینی استفاده می شود. به عبارتی، هر گاه قادر باشیم بین دو متغیر یک رابطه خطی را تشخیص دهیم، می توانیم از این نوع رگرسیون، برای پیش بینی مقادیر این متغیرها بر اساس مقدار متغیر دیگر استفاده کنیم.
این ویدیو رگرسیون خطی را توضیح می دهد و اصطلاحات مربوطه از جمله تابع هزینه و شیب نزولی را معرفی می کند.
در درجه اول، دو چیز وجود دارد که می توان با استفاده از روش رگرسیون خطی ساده فهمید:
1) قدرت رابطه بین دو متغیر داده شده. (به عنوان مثال، رابطه بین گرم شدن کره زمین و ذوب شدن یخچال ها)
2) مقدار متغیر وابسته در مقدار معین متغیر مستقل چقدر است. (به عنوان مثال ، میزان ذوب شدن یخچال های طبیعی در یک سطح مشخص از گرم شدن کره زمین یا درجه حرارت)
در این محصول مفهوم رگرسیون خطی توضیح داده می شود که در آن از یک متغیر مستقل (X) برای مدل سازی متغیر وابسته (Y) استفاده شده است. در واقع، عوامل مستقل متعددی (متغیرها) ممکن است بر پاسخ تأثیر بگذارند. همچنین، این آموزش استفاده از رگرسیون برای مدل سازی متغیر مستقل منفرد را با استفاده از متغیرهای وابسته چند متغیره توضیح می دهد.
توضیحات محصول:
کاربرد این محصول آموزشی در زمینه بررسی رابطه بین یک متغیر مستقل و یک متغیر وابسته یا رابطه بین دو یا چند متغیر یا ورودی مستقل و متغیر وابسته مربوطه با استفاده از رگرسیون خطی است. تحلیل رگرسیون خطی از چند جهت بسیار مفید است مانند اینکه در پیش بینی روندها ، مقادیر آینده و همچنین پیش بینی تأثیرات تغییرات کمک می کند.
بصورت کلی با استفاده از این محصول شما می توانید تکنیک های لازم برای رگرسیون خطی با استفاده از زبان برنامه نویسی پایتون را یاد بگیرید.
به طور معمول، رگرسیون خطی به دو نوع تقسیم می شود: رگرسیون خطی چندگانه و رگرسیون خطی ساده. در این ویدیو آموزشی به بررسی هر دو نوع پرداخته شده است.
لازم به ذکر است که وقتی مدلی را با استفاده از یادگیری ماشین یا سایر روش ها می سازید، تأیید اعتبار آن با مجموعه داده های آزمون مهم است. شما باید مدل را بر روی داده هایی که الگوریتم برای اهداف آموزشی استفاده نکرده است، آزمایش کنید. همچنین برای مجموعه داده های آزمون نیز مهم است که توزیع احتمال مشابه مجموعه داده های آموزش را دنبال کنند. ساده ترین راه برای دستیابی به این هدف تقسیم داده ها به آموزش و آزمایش مجموعه داده ها است. این آموزش ویدئویی با استفاده از کتابخانه Scikit-learn این روند را در پایتون توضیح می دهد.
عناوین آموزشی:
عناوین آموزشی به شرح زیر می باشند:
- بخش اول: آشنایی با مفهوم ماشین لرنینگ
- بخش دوم: آشنایی با مفهوم رگرسیون خطی
- بخش سوم: رگرسیون خطی با استفاده از کتابخانه Sci-Kit Learn در پایتون
- بخش چهارم: تقسیم داده ها به مجموعه های آموزشی و آزمایشی برای یادگیری ماشین
- بخش پنجم: رگرسیون خطی چندمتغیره با استفاده از کتابخانه SciKit-Learn در پایتون
امیر غمدیده –
سلام
یک سوال داشتم خدمت تون
در این محصول آموزشی تون فقط نحوه فراخوانی داده ها و رسم نمودار برای یک متغییر تدریس شده است یا به متغییر های چندگانه و محاسبه p-value نیز پرداخته شده است؟
ممنون از وقتی که اختصاص میدید
معصومه واحدی –
سلام وقت شما بخیر
در این ویدیو از دیتاست آب و هوا و متغیرهایی مثل دما و رطوبت استفاده شده است و با استفاده از رابطه یک متغیر با یک یا چند متغیر، مقدار رطوبت پیش بینی شده است و در مورد دقت و صحت مدل توضیح داده شده است. اگر شما نیاز به اطلاعات آماری مثل p-value را دارید، پیشنهاد می کنم از کتابخانه statsmodels استفاده کنید، چون خیلی راحت بعد از fit کردن مدل تان می توانید مقدار p-value را مشخص کنید. در این آموزش راجع به statsmodels صحبتی نشده است، ولی نمونه کد و آموزش های زیادی در اینترنت وجود دارد که می توانید استفاده کنید.
موفق باشید
واحدی