دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: رگرسیون خطی

داشتن یک درک جامع از رگرسیون خطی-روشی برای مدل سازی رابطه بین یک متغیر وابسته و یکی با چند متغیر دیگر-می تواند به شما در حل بسیاری از مشکلات دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریبا هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهمترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را آشکار می کند. در طول دوره، مربی Keith McCormick از IBM SPSS Statistics در حین پیاده سازی در هر مفهوم استفاده می کند، بنابراین قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تأکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت را خواهند داشت که تقریباً در معرض همه ویژگی های رگرسیون در SPSS قرار گیرند.

مربی کیت مک کورمیک، رگرسیون خطی ساده را پوشش می دهد و نحوه ایجاد نمودارهای پراکندگی موثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه پرداخته و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او برخی از جایگزین ها برای رگرسیون را مورد بحث قرار می دهد، از جمله درختان رگرسیون و پیش بینی سری های زمانی.

اهداف یادگیری
ایجاد طرح های پراکندگی موثر در Chart Builder
چالش ها و مفروضات رگرسیون چندگانه
بررسی مفروضات بصری
ایجاد کدهای ساختگی
ایجاد و آزمایش شرایط تعامل
درک همبستگی جزئی و جزئی
تشخیص مشکلات و انجام اقدامات اصلاحی
مقابله با چند خطی بودن