دوره آموزشی یادگیری جامع زبان R:بخش دوم داده‌های مدل سازی

دوره آموزشی یادگیری جامع زبان R:بخش دوم داده‌های مدل سازی

4 ساعتمتوسط2020-05-12

مدرسین

Barton Poulson

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

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
۸۰,۰۰۰ تومان