دوره آموزشی یادگیری جامع زبان R:بخش دوم دادههای مدل سازی
4 ساعتمتوسط2020-05-12
مدرسین

Barton Poulson
Professor, Designer, Data Analytics Expert
جزئیات دوره
تلاش برای یافتن معنا و جهت در داده های بزرگ دشوار است. R می تواند به شما کمک کند راه خود را پیدا کنید. R یک زبان برنامه نویسی آماری برای تحلیل و تجسم روابط بین مقدار زیادی داده است. این یکی از مهمترین ابزارهای موجود برای تجزیه و تحلیل داده ها ، یادگیری ماشین و دانش داده است. این مجموعه آموزشی با دستورالعمل های دقیق برای کار با R و RStudio و مثالهای عملی ، از گرافیک اکتشافی گرفته تا شبکه های عصبی ، آشنایی کاملی با R دارد. در بخش دو ، مدل سازی داده ها ، مربی بارتون پولسون نحوه محاسبه آمار ، تجزیه و تحلیل داده ها ، پیش بینی نتایج و گروه بندی و طبقه بندی موارد را نشان می دهد. اینها تکنیکهای اساسی است که شما برای ایجاد بینش معنادار برای سازمان خود نیاز دارید.
موضوعات شامل:
فرکانس ها و همبستگی های محاسباتی
محاسبه آمار توصیفی
انجام تجزیه و تحلیل مورد
مقایسه نسبت
مقایسه وسایل جفت شده
مقایسه چند معنی
پیش بینی نتایج با رگرسیون خطی و لجستیکی
گروه بندی موارد با خوشه بندی k-means
طبقه بندی موارد با نزدیکترین همسایگان
ایجاد مدلهای گروه
موضوعات شامل:
فرکانس ها و همبستگی های محاسباتی
محاسبه آمار توصیفی
انجام تجزیه و تحلیل مورد
مقایسه نسبت
مقایسه وسایل جفت شده
مقایسه چند معنی
پیش بینی نتایج با رگرسیون خطی و لجستیکی
گروه بندی موارد با خوشه بندی k-means
طبقه بندی موارد با نزدیکترین همسایگان
ایجاد مدلهای گروه
مهارت ها
RStudioData ModelingRStatisticsEssential TrainingProgramming LanguagesData ScienceOpen SourceSoftware Development
سرفصل ها
مقدمه
- داده های مدل با R
- استفاده از فایل های تمرینی
R برای علم داده
- علوم داده با R - مطالعه موردی
کاوش داده ها
- محاسبه فرکانس ها
- محاسبات آمار توصیفی
- محاسبات همبستگی
- ایجاد جداول احتمالی
- انجام تحلیل مؤلفه های اصلی
- انجام تجزیه و تحلیل آیتم
- انجام تحلیل عاملی تاییدی
تجزیه و تحلیل داده ها
- مقایسه نسبت ها
- مقایسه یک میانگین با یک جامعه - آزمون t تک نمونه ای
- مقایسه میانگین های زوجی - آزمون تی نمونه های زوجی
- مقایسه دو میانگین - آزمون t نمونه های مستقل
- مقایسه میانگین های چندگانه - تحلیل واریانس تک عاملی
- مقایسه میانگینها با پیشبینیکنندههای طبقهبندی متعدد - تحلیل واریانس عاملی
پیش بینی نتایج
- پیش بینی نتایج با رگرسیون خطی
- پیش بینی نتایج با رگرسیون کمند
- پیشبینی نتایج با رگرسیون چندکی
- پیش بینی نتایج با رگرسیون لجستیک
- پیش بینی نتایج با پواسون یا رگرسیون لاگ خطی
- ارزیابی پیشبینیها با مدلهای ورودی مسدود
خوشه بندی و طبقه بندی موارد
- گروه بندی موارد با خوشه بندی سلسله مراتبی
- گروهبندی موارد با k-means خوشهبندی
- طبقه بندی موارد با k نزدیکترین همسایه
- طبقه بندی موارد با تجزیه و تحلیل درخت تصمیم
- ایجاد مدل های گروهی با طبقه بندی تصادفی جنگل
نتیجه
- مراحل بعدی