Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-19 of 19 items.

linkedin 11 نکته مفید برای تحلیل رگرسیون (Mitalearn-229344)

  • 55 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Franz Buscha
درباره این دوره:

اگر برای به دست آوردن بینش یا تصمیم گیری مبتنی بر داده نیاز به مرتب سازی اطلاعات دارید، تحلیل رگرسیون تقریباً در هر شرایطی ابزار مفیدی است. در ابتدایی ترین سطح، تحلیل رگرسیون روابط بین یک متغیر وابسته و مجموعه ای از متغیرهای مستقل را در یک مجموعه داده ثابت نشان می دهد. این برای پیش‌بینی و پیش‌بینی بسیار مهم است و همچنین برای استنباط روابط علی بین متغیرها مفید است. در این دوره، فرانتس بوشا فراتر از اصول اولیه حرکت می کند و چندین نکته و ترفند برجسته را به نمایش می گذارد که به شما این امکان را می دهد که نه تنها مدل های رگرسیون بهتری بسازید، بلکه نتایج خود را به شیوه ای تاثیرگذارتر نیز ارائه دهید. فرانتس با استفاده از مثال‌های عملی، موضوعاتی مانند رگرسیون‌های وزنی، متغیرهای چند جمله‌ای، و نحوه برخورد با داده‌های از دست رفته در مدل‌های رگرسیونی را پوشش می‌دهد.

Related Skills

linkedin SAS Essential Training: 2 Regression Analysis for Healthcare Research (Mitalearn-114067)

  • 3 hours 51 minutes
  • متوسط
  • Update date: 21 June 2026
  • Author: Monika Wahi
درباره این دوره:

SAS یک پلت فرم تجزیه و تحلیل داده ارجمند است که میلیون ها کاربر در سراسر جهان و تعداد زیادی ویژگی مفید دارد. در این دوره، مربی Monika Wahi با نشان دادن نحوه استفاده از پلتفرم برای انجام تجزیه و تحلیل رگرسیون یک مرکز داده نظرسنجی سلامت به شما کمک می کند دانش SAS خود را عمیق تر کنید. در طول دوره، مونیکا نحوه انجام تجزیه و تحلیل رگرسیون و ارائه نتایج مدل خود را در جداول نشان می دهد. او نشان می دهد که چگونه می توان یک مدل رگرسیون خطی را با استفاده از PROC GLM به عنوان بخشی از تجزیه و تحلیل مبتنی بر فرضیه ایجاد و ارائه کرد. نحوه انجام یک مدل رگرسیون لجستیک در هر دو PROC GENMOD و PROC LOGISTIC. و چگونه مدل های رگرسیون خطی و لجستیک خود را ارائه و تفسیر کنید. برای جمع بندی، او مسائل را در رگرسیون مرور می کند و چند نکته مفید ارائه می دهد.

coursera آمار استنباطی [coursera] (Mitalearn-334625)

  • 4 hours 47 minutes
  • مناسب همه
  • Release date: 27 June 2026
  • Author: Annemarie Zand Scholten,Emiel van Loon
درباره این دوره:

آمار استنباطی به استنباط بر اساس روابط یافت شده در نمونه، به روابط در جامعه مربوط می شود. آمار استنباطی به ما کمک می کند برای مثال تصمیم بگیریم که آیا تفاوت بین گروه هایی که در داده های خود می بینیم به اندازه کافی قوی است تا از فرضیه ما حمایت کند که تفاوت های گروهی به طور کلی در کل جمعیت وجود دارد یا خیر. ما با در نظر گرفتن اصول اولیه آزمون معناداری شروع خواهیم کرد: توزیع آماری نمونه گیری و آزمون، مقدار p، سطح معنی داری، قدرت و خطاهای نوع I و نوع II. سپس تعداد زیادی آزمون و تکنیک های آماری را در نظر خواهیم گرفت که به ما کمک می کند تا برای انواع مختلف داده ها و انواع مختلف طرح های تحقیقاتی استنتاج کنیم. برای هر آزمون آماری فردی، نحوه عملکرد آن، برای چه داده‌ها و طرحی مناسب است و نتایج چگونه باید تفسیر شوند را در نظر خواهیم گرفت. همچنین نحوه انجام این تست ها را با استفاده از نرم افزارهای رایگان در دسترس خواهید آموخت. برای کسانی که قبلاً با آزمون های آماری آشنا هستند: ما به آزمون های z برای نسبت های 1 و 2، آزمون مک نمار برای نسبت های وابسته، آزمون های t برای میانگین 1 (تفاوت های زوجی) و 2 میانگین، آزمون کای دو برای استقلال نگاه خواهیم کرد. آزمون دقیق فیشر، رگرسیون ساده (خطی و نمایی) و رگرسیون چندگانه (خطی و لجستیک)، آنالیز واریانس یک طرفه و فاکتوریل و آزمون های ناپارامتریک (ویلکاکسون، کروسکال-والیس، آزمون علامت، آزمون رتبه علامتی، اجرا) تست).

coursera آمار کسب و کار و تجزیه و تحلیل Capstone (Mitalearn-213262)

  • 1 hours 7 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

آمار کسب و کار و تجزیه و تحلیل Capstone فرصتی برای اعمال مهارت های مختلف توسعه یافته در چهار دوره تخصصی در داده های زندگی واقعی است. Capstone با همکاری یک شریک صنعتی از «داده‌های مسکن» در دسترس عموم استفاده می‌کند تا سؤالات مختلفی را که معمولاً مشتری برای یک تحلیلگر داده مطرح می‌کند، مطرح کند. وظیفه شما این است که تجزیه و تحلیل آماری مربوطه را انجام دهید و یافته های خود را در پاسخ به سؤالات به گونه ای گزارش کنید که همه بتوانند آن را درک کنند. لطفاً به یاد داشته باشید که این یک Capstone است و درجه سختی/ابهام بیشتری نسبت به چهار دوره قبلی دارد. هدف این است که تا حد امکان از یک برنامه زندگی واقعی تقلید کنید.

linkedin اصول تجزیه و تحلیل رگرسیون (Mitalearn-434262)

  • 1 hours 40 minutes
  • مناسب همه
  • Release date: 7 September 2022
  • Author: Madecraft,Franz Buscha
درباره این دوره: 

 اگر شما یک حرفه ای شغلی هستید ، قادر به تجزیه و تحلیل و تفسیر داده ها ، یک مهارت بسیار ارزشمند است. برای نظارت بر عملکرد خود و راهنمایی تصمیم گیری بهتر ، باید اصول تجزیه و تحلیل آماری را بدانید. در این دوره ، مربی Franz Buscha شما را از نحوه استفاده از تجزیه و تحلیل رگرسیون برای ارزیابی نقاط داده و مقیاس کسب و کار خود به عمد و سهولت استفاده می کند. دریابید که چگونه می توانید رابطه بین دو یا چند متغیر آماری را به طور جدی بررسی کنید تا مقداری را بیان کنید که می توانید از آن استفاده کنید. نکات و ترفندهایی را از Franz در مورد استفاده از مربع های حداقل معمولی ، تجسم یافته های خود برای ذینفعان و استفاده از ابزارهای آماری ایجاد شده در برنامه هایی مانند Excel ، SPSS ، Stata و R. دریافت کنید. تا پایان این دوره ، شما آماده خواهید بود که از تکنیک های تحلیل رگرسیون استفاده کنید تا تصمیمات آگاهانه تری بگیرید و پروژه و عملکرد خود را بهینه کنید.

این دوره توسط madecraft ایجاد شده است. ما خوشحالیم که این آموزش را در کتابخانه خود میزبانی می کنیم.

Related Skills

coursera اقتصاد سنجی: روش ها و کاربردها (Mitalearn-334404)

  • 5 hours 58 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Francine Gresnigt,Dennis Fok,Michel van der Wel
درباره این دوره:

خوش آمدید! آیا می خواهید بدانید چگونه با ابزارهای تجزیه و تحلیل داده ها سوالات تجاری و اقتصادی را تجزیه و تحلیل و حل کنید؟ سپس Econometrics توسط دانشگاه اراسموس روتردام دوره مناسبی برای شما است، زیرا یاد می‌گیرید چگونه داده‌ها را به مدل‌هایی برای پیش‌بینی و حمایت از تصمیم‌گیری ترجمه کنید. * چه چیزی یاد بگیرم؟ وقتی اقتصاد سنجی می دانید، می توانید داده ها را به مدل هایی برای پیش بینی ها و حمایت از تصمیم گیری در زمینه های مختلف، از اقتصاد کلان گرفته تا امور مالی و بازاریابی، تبدیل کنید. دوره ما با سخنرانی های مقدماتی در مورد رگرسیون ساده و چندگانه شروع می شود و به دنبال آن موضوعات مورد علاقه ویژه برای پرداختن به مشخصات مدل، متغیرهای درون زا، داده های انتخاب باینری و داده های سری زمانی قرار می گیرد. این موضوعات کلیدی در اقتصاد سنجی را با تماشای ویدئوها با آزمون های درون ویدئویی و با انجام تمرین های آموزشی پس از ویدئو یاد می گیرید. * آیا به دانش قبلی نیاز دارم؟ این دوره برای دانشجویان (در مقطع کارشناسی ارشد) در اقتصاد، مالی، بازرگانی، مهندسی و تجزیه و تحلیل داده ها و همچنین برای کسانی که در این زمینه ها کار می کنند مناسب است. این دوره به برخی اصول اولیه ماتریس ها، احتمالات و آمار نیاز دارد که در ماژول Building Blocks بررسی می شوند. اگر به دنبال یک MOOC در اقتصاد سنجی با ماهیت مقدماتی هستید که به پیشینه کمتری در ریاضیات نیاز دارد، ممکن است به دوره Coursera "اقتصاد سنجی لذت بخش" که همچنین از دانشگاه اراسموس روتردام است علاقه مند شوید. * برای حمایت از مطالعاتم از چه ادبیاتی می توانم استفاده کنم؟ شما می توانید MOOC را بدون مطالعه منابع اضافی دنبال کنید. مطالعه بیشتر موضوعات مورد بحث (از جمله بلوک‌های ساختمانی) در کتاب درسی که نوشتیم و MOOC بر آن استوار است ارائه شده است: روش‌های اقتصادسنجی با کاربردها در تجارت و اقتصاد، انتشارات دانشگاه آکسفورد. ارتباط بین ماژول های MOOC و فصل های کتاب در راهنمای دوره نشان داده شده است - اطلاعات بیشتر - چگونه می توانم به تحصیل خود ادامه دهم. * آیا دستیاران آموزشی فعالی خواهند بود که من را در طول دوره راهنمایی کنند؟ کارکنان و دانشجویان دکتری موسسه اقتصاد سنجی ما در ژانویه و فوریه هر سال راهنمایی خواهند کرد. در دوره های دیگر فقط راهنمایی ابتدایی می کنیم. ما همیشه به شما توصیه می کنیم که برای بحث در مورد موضوعات و تمرینات با سایر فراگیران این دوره ارتباط برقرار کنید. * چگونه گواهینامه بگیرم؟ برای کسب گواهینامه این دوره، از شما خواسته می شود که شش تمرین تست (یک مورد در هر ماژول) و یک پروژه موردی را انجام دهید. علاوه بر این، شما فعالیت های بازبینی همتای کار سه نفر از همتایان خود را در این MOOC انجام می دهید. اگر تمام هفت تکالیف را بگذرانید، گواهینامه را دریافت می کنید. سفر خوبی به دنیای اقتصاد سنجی داشته باشید! تیم اقتصاد سنجی

coursera تجزیه و تحلیل تقاضا (Mitalearn-289252)

  • 1 hours 10 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Yao Zhao
درباره این دوره:

به تجزیه و تحلیل تقاضا خوش آمدید - یکی از پرطرفدارترین مهارت ها در مدیریت زنجیره تامین و بازاریابی! از طریق داستان واقعی و داده های یک تولید کننده پیشرو ظروف آشپزی در آمریکای شمالی، مهارت های تجزیه و تحلیل داده ها را برای برنامه ریزی و پیش بینی تقاضا یاد خواهید گرفت. پس از اتمام این دوره، شما قادر خواهید بود 1. بهبود دقت پیش‌بینی با ساخت و اعتبارسنجی مدل‌های پیش‌بینی تقاضا. 2. با شناسایی عوامل محرک (مانند زمان، فصلی، قیمت و سایر عوامل محیطی) تقاضا و تعیین کمیت تأثیر آنها، تقاضا را بهتر تحریک کرده و تحت تأثیر قرار دهید. AK یک تولید کننده پیشرو ظروف در آمریکای شمالی است. محصول رده بالای تازه راه اندازی شده آن در بازار شتاب بیشتری به دست می آورد. با این حال، تعدیل قیمت در فصل اوج افزایش تقاضای قابل توجهی را تحریک کرد که AK را کاملا غافلگیر کرد و منجر به سفارش‌های عقب‌افتاده بزرگ شد. AK با خطر از دست دادن شتاب بازار به دلیل ناراحتی مشتریان و هزینه های بالای مرتبط با تولید بیش از حد و حمل و نقل سریع مواجه شد. پیش بینی دقیق تقاضا برای افزایش درآمد و کاهش هزینه ضروری است. شناسایی محرک‌های تقاضا و ارزیابی تأثیر آن‌ها بر تقاضا می‌تواند به شرکت‌ها کمک کند تا تقاضا را بهتر تحت تأثیر قرار دهند و تحریک کنند. امیدوارم از دوره لذت ببرید!

coursera تجزیه و تحلیل داده ها با پایتون [coursera] (Mitalearn-326448)

  • 1 hours 43 minutes
  • متوسط
  • Release date: 27 June 2026
  • Author: Joseph Santarcangelo
درباره این دوره:

تجزیه و تحلیل داده ها با پایتون یک مهارت کلیدی برای دانشمندان و تحلیلگران مشتاق داده است! این دوره شما را از مبانی وارد کردن و پاکسازی داده ها به ساخت و ارزیابی مدل های پیش بینی می کند. شما یاد می گیرید که چگونه داده ها را از منابع مختلف جمع آوری کنید، آن ها را به چالش بکشید و قالب بندی کنید، تجزیه و تحلیل داده های اکتشافی (EDA) انجام دهید، و تجسم های موثر ایجاد کنید. همانطور که پیشرفت می کنید، مدل های رگرسیون خطی، چند جمله ای و چند جمله ای می سازید، خطوط لوله داده را می سازید و مدل های خود را برای دقت بهتر اصلاح می کنید. از طریق آزمایشگاه‌ها و پروژه‌های عملی، با استفاده از کتابخانه‌های محبوب پایتون مانند Pandas، NumPy، Matplotlib، Seaborn، SciPy و Scikit-learn، تجربه عملی کسب خواهید کرد. این ابزارها به شما در دستکاری داده ها، ایجاد بینش و پیش بینی کمک می کنند. با تکمیل این دوره، شما نه تنها مهارت های قوی تجزیه و تحلیل داده ها را توسعه می دهید، بلکه گواهینامه Coursera و نشان دیجیتال IBM را نیز برای نمایش دستاورد خود کسب خواهید کرد.

coursera تجزیه و تحلیل داده های حسابداری با پایتون (Mitalearn-293944)

  • 11 hours 31 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Ronald Guymon,Linden Lu
درباره این دوره:

این دوره بر توسعه مهارت های پایتون برای جمع آوری داده های تجاری تمرکز دارد. برخی از مطالب مشابه از مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم را پوشش می دهد، اما در یک محیط برنامه نویسی با هدف کلی تر (ژوپیتر نوت بوک برای پایتون)، به جای اکسل و ویرایشگر ویژوال بیسیک. این مفاهیم در چارچوب یک یا چند حوزه داده حسابداری (به عنوان مثال، داده های صورت های مالی از EDGAR، داده های سهام، داده های وام، داده های محل فروش) آموزش داده می شوند. نیمه اول دوره از جایی شروع می شود که مقدمه ای بر تجزیه و تحلیل داده های حسابداری و تجسم متوقف شد: استفاده در یک محیط توسعه یکپارچه برای خودکارسازی وظایف تجزیه و تحلیل داده ها. ما در مورد نحوه مدیریت کد و اشتراک‌گذاری نتایج در Jupyter Notebook، یک محیط توسعه محبوب برای نرم‌افزارهای تجزیه و تحلیل داده‌ها مانند Python و R بحث می‌کنیم. سپس برخی از مهارت‌های برنامه‌نویسی اساسی، مانند عملگرهای ریاضی، توابع، عبارات شرطی و حلقه‌ها را با استفاده از نرم‌افزار پایتون مرور می‌کنیم. نیمه دوم دوره بر روی جمع آوری داده ها برای اهداف یادگیری ماشین تمرکز دارد. ما دانش آموزان را با قالب های داده پاندا و Numpy برای ساختاردهی و دستکاری داده ها آشنا می کنیم. سپس داده ها را با استفاده از تجسم و رگرسیون خطی تجزیه و تحلیل می کنیم. در نهایت نحوه استفاده از پایتون برای تعامل با داده های SQL را توضیح می دهیم.

linkedin تجزیه و تحلیل مراقبت های بهداشتی: رگرسیون در R (Mitalearn-107420)

  • 4 hours 20 minutes
  • پیشرفته
  • Update date: 22 June 2026
  • Author: Monika Wahi
درباره این دوره:

مدل های رگرسیون خطی و لجستیک را می توان با استفاده از R، نرم افزار محاسبات آماری منبع باز ایجاد کرد. در این دوره، مونیکا وحی، متخصص بیوتکنولوژی و اپیدمیولوژیست، از مجموعه داده های نظارت بر عوامل خطر رفتاری (BRFSS) در دسترس عموم استفاده می کند تا به شما نشان دهد که چگونه یک فرآیند مدل سازی گام به گام رو به جلو انجام دهید. مونیکا به شما نشان می دهد که چگونه با در نظر گرفتن معقول بودن علمی در انتخاب یک فرضیه، تحقیق خود را طراحی کنید. سپس، او شما را از طریق مراحل تهیه، توسعه و نهایی کردن هر دو مدل رگرسیون خطی و مدل رگرسیون لجستیک راهنمایی می کند. او همچنین تکنیک‌هایی را برای نحوه تفسیر نمودارهای تشخیصی، بهبود تناسب مدل، مقایسه مدل‌ها و موارد دیگر به اشتراک می‌گذارد.

coursera تجزیه و تحلیل مشتری (Mitalearn-297072)

  • 5 hours 48 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Eric Bradlow,Peter Fader,Raghu Iyengar
درباره این دوره:

اطلاعات مربوط به الگوهای مرور و خرید ما در همه جا موجود است. از تراکنش‌های کارت اعتباری و سبد خرید آنلاین گرفته تا برنامه‌های وفاداری مشتری و رتبه‌بندی/بررسی‌های تولید شده توسط کاربر، حجم حیرت‌انگیزی از داده‌ها وجود دارد که می‌توان از آنها برای توصیف رفتارهای خرید گذشته، پیش‌بینی رفتارهای آینده، و تجویز روش‌های جدید برای تأثیرگذاری بر آینده استفاده کرد. تصمیمات خرید در این دوره، چهار تن از اساتید برتر بازاریابی وارتون، مروری بر حوزه‌های کلیدی تجزیه و تحلیل مشتری ارائه خواهند کرد: تجزیه و تحلیل توصیفی، تجزیه و تحلیل پیش‌بینی‌کننده، تجزیه و تحلیل تجویزی، و کاربرد آن‌ها در شیوه‌های تجاری دنیای واقعی از جمله آمازون، گوگل و استارباکس. . این دوره یک نمای کلی از حوزه تجزیه و تحلیل ارائه می دهد تا بتوانید تصمیمات تجاری آگاهانه بگیرید. این مقدمه ای بر تئوری تجزیه و تحلیل مشتری است و هدف آن آماده کردن یادگیرندگان برای انجام تجزیه و تحلیل مشتری نیست. نتایج آموزشی دوره: پس از اتمام دوره، فراگیران قادر خواهند بود... روش‌های اصلی جمع‌آوری داده‌های مشتری که توسط شرکت‌ها استفاده می‌شود را توصیف کنید و درک کنید که چگونه این داده‌ها می‌توانند تصمیمات تجاری را تعیین کنند ابزارهای اصلی مورد استفاده برای پیش بینی رفتار مشتری و شناسایی کاربردهای مناسب برای هر ابزار را شرح دهید ایده های کلیدی در مورد تجزیه و تحلیل مشتری و نحوه اطلاع رسانی این حوزه به تصمیمات تجاری تاریخچه تجزیه و تحلیل مشتری و آخرین بهترین شیوه ها در شرکت های برتر را به اشتراک بگذارید

coursera رگرسیون خطی برای آمار کسب و کار (Mitalearn-213245)

  • 4 hours 24 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Sharad Borle
درباره این دوره:

تحلیل رگرسیون شاید مهم ترین ابزار آمار کسب و کار مورد استفاده در صنعت باشد. رگرسیون موتور پشت بسیاری از برنامه های کاربردی تجزیه و تحلیل داده است که برای بسیاری از اشکال پیش بینی و پیش بینی استفاده می شود. این چهارمین دوره تخصصی "آمار و تحلیل کسب و کار" است. این دوره شما را با ابزار بسیار مهمی به نام رگرسیون خطی آشنا می کند. شما یاد خواهید گرفت که از رویه های مختلفی مانند رگرسیون های متغیر ساختگی، متغیرهای تبدیل و اثرات متقابل استفاده کنید. همه اینها با استفاده از مثال‌های قابل فهم در مایکروسافت اکسل معرفی و توضیح داده شده‌اند. تمرکز این دوره به جای مشتقات دقیق ریاضی بر درک و کاربرد است. توجه: این دوره از جعبه ابزار "تجزیه و تحلیل داده ها" استفاده می کند که با نسخه ویندوز مایکروسافت اکسل استاندارد است. همچنین با نسخه مک 2016 یا جدیدتر اکسل استاندارد است. با این حال، با نسخه های قبلی اکسل برای مک استاندارد نیست. هفته 1 ماژول 1: تحلیل رگرسیون: مقدمه در این ماژول با مدل رگرسیون خطی آشنا می شوید. ما یک مدل رگرسیون می سازیم و با استفاده از اکسل آن را تخمین می زنیم. ما از مدل تخمین زده شده برای استنتاج روابط بین متغیرهای مختلف و استفاده از مدل برای پیش بینی استفاده خواهیم کرد. این ماژول همچنین مفهوم خطاها، باقیمانده ها و R-square را در یک مدل رگرسیونی معرفی می کند. موضوعات تحت پوشش عبارتند از: • معرفی رگرسیون خطی • ساخت یک مدل رگرسیون و تخمین آن با استفاده از اکسل • استنتاج با استفاده از مدل برآورد شده • استفاده از مدل رگرسیون برای پیش بینی • Errors، Residuals و R-square هفته 2 ماژول 2: تحلیل رگرسیون: آزمون فرضیه و خوبی برازش این ماژول آزمون های فرضیه های مختلفی را ارائه می دهد که می توانید با استفاده از خروجی رگرسیون انجام دهید. این تست ها بخش مهمی از استنتاج هستند و ماژول آنها را با استفاده از مثال های مبتنی بر اکسل معرفی می کند. مقادیر p همراه با اندازه‌های خوب تناسب R-square و R-square تعدیل شده معرفی می‌شوند. در پایان ماژول "رگرسیون متغیر ساختگی" را معرفی می کنیم که برای ترکیب متغیرهای طبقه بندی در یک رگرسیون استفاده می شود. موضوعات تحت پوشش عبارتند از: • آزمون فرضیه در رگرسیون خطی • معیارهای «خوبی تناسب» (R-square، R-square تعدیل شده) • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) هفته 3 ماژول 3: تحلیل رگرسیون: متغیرهای ساختگی، چند خطی این ماژول با استفاده از رگرسیون متغیر ساختگی ادامه می یابد. شما می توانید تفسیر خروجی رگرسیون را در حضور متغیرهای طبقه بندی درک کنید. نمونه هایی برای تقویت مجدد مفاهیم مختلف معرفی شده کار شده است. این ماژول همچنین توضیح می دهد که Multicolinearity چیست و چگونه با آن برخورد کنیم. موضوعات تحت پوشش عبارتند از: • رگرسیون متغیر ساختگی (با استفاده از متغیرهای طبقه بندی شده در یک رگرسیون) • تفسیر ضرایب و مقادیر p در حضور متغیرهای ساختگی • چند خطی بودن در مدل های رگرسیونی هفته 4 ماژول 4: تجزیه و تحلیل رگرسیون: پسوندهای مختلف این ماژول درک شما را از رگرسیون خطی گسترش می‌دهد و تکنیک‌هایی مانند میانگین‌مرکزی متغیرها و ایجاد مرزهای اطمینان برای پیش‌بینی‌ها با استفاده از مدل رگرسیون را معرفی می‌کند. یک پسوند رگرسیون قدرتمند به نام «متغیرهای تعامل» معرفی و با استفاده از مثال توضیح داده شده است. ما همچنین تبدیل متغیرها را در یک رگرسیون مطالعه می کنیم و در آن زمینه مدل های log-log و semi-log regression را معرفی می کنیم. موضوعات تحت پوشش عبارتند از: • میانگین مرکزیت متغیرها در مدل رگرسیون • ایجاد مرزهای اطمینان برای پیش بینی ها با استفاده از مدل رگرسیون • اثرات متقابل در یک رگرسیون • تبدیل متغیرها • مدل های رگرسیون log-log و semi-log

coursera رگرسیون خطی و مدل سازی (Mitalearn-328539)

  • 2 hours 10 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Mine Çetinkaya-Rundel
درباره این دوره:

این دوره به معرفی مدل های رگرسیون خطی ساده و چندگانه می پردازد. این مدل‌ها به شما امکان می‌دهند تا رابطه بین متغیرها در یک مجموعه داده و یک متغیر پاسخ پیوسته را ارزیابی کنید. آیا بین جذابیت فیزیکی استاد و نمرات ارزشیابی دانشجو رابطه وجود دارد؟ آیا می توانیم نمره آزمون کودک را بر اساس ویژگی های خاصی از مادرش پیش بینی کنیم؟ در این دوره، با استفاده از نرم افزار آماری رایگان R و RStudio، تئوری اساسی پشت رگرسیون خطی را می آموزید و از طریق مثال های داده، برازش، بررسی و استفاده از مدل های رگرسیون برای بررسی روابط بین متغیرهای متعدد را یاد می گیرید.

coursera سرمایه گذاری I: مبانی ارزیابی عملکرد (Mitalearn-294522)

  • 18 hours 15 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Gies College of Business, University of Illinois
درباره این دوره:

در این دوره، اصول بنیادی معامله با ریسک و بازده، بهینه‌سازی پرتفوی و قیمت‌گذاری امنیت را مورد بحث قرار می‌دهیم. ما مدل‌های بازده ریسک مانند مدل قیمت‌گذاری دارایی سرمایه (CAPM) و مدل‌های چندعاملی را برای ارزیابی عملکرد اوراق بهادار و پرتفوی‌های مختلف مطالعه و استفاده خواهیم کرد. به طور خاص، ما یاد می‌گیریم که چگونه رگرسیون‌هایی را تفسیر و تخمین بزنیم که هم معیاری برای استفاده برای یک امنیت با توجه به ریسک آن (که توسط بتا آن تعیین می‌شود) و هم معیاری برای عملکرد امنیت (که با آلفای آن اندازه‌گیری می‌شود) به ما ارائه می‌دهند. با تکیه بر این چارچوب، کارایی بازار و پیامدهای آن برای الگوهای بازده سهام و صنعت مدیریت دارایی مورد بحث قرار خواهد گرفت. در نهایت، این دوره با ارتباط مالی سرمایه گذاری با تامین مالی شرکتی با بررسی تکنیک های ارزش گذاری شرکت مانند استفاده از چند برابر بازار و تجزیه و تحلیل جریان نقدی تنزیل شده به پایان می رسد. این دوره بر مثال‌ها و برنامه‌های کاربردی واقعی در اکسل در سرتاسر تأکید دارد. این اولین دوره از دو دوره سرمایه گذاری است که من به صورت آنلاین ارائه می دهم ("سرمایه گذاری II: درس ها و برنامه های کاربردی برای سرمایه گذاران" دومین دوره است). اهداف کلی این دوره، ایجاد درک درستی از مبانی مالی سرمایه گذاری و ارائه توانایی برای پیاده سازی مدل های کلیدی قیمت گذاری دارایی و تکنیک های ارزش گذاری شرکت در موقعیت های واقعی است. به طور خاص، پس از اتمام موفقیت آمیز این دوره، شما قادر خواهید بود: • مبادلات بین ریسک و بازده را توضیح دهید • تشکیل سبد اوراق بهادار و محاسبه بازده مورد انتظار و انحراف معیار آن سبد • مفاهیم دنیای واقعی قضیه جداسازی سرمایه گذاری ها را درک کنید • از مدل قیمت گذاری دارایی های سرمایه ای (CAPM) و مدل 3 عاملی برای ارزیابی عملکرد یک دارایی (مانند سهام) از طریق تحلیل رگرسیون استفاده کنید. • برآورد و تفسیر ALPHA (α) و بتا (β) یک اوراق بهادار، دو آماری که معمولاً در وب‌سایت‌های مالی گزارش می‌شوند. • منظور از کارایی بازار چیست و برای الگوهای بازده سهام و صنعت مدیریت دارایی چیست. • درک چندگانه های بازار و رویکردهای درآمدی برای ارزش گذاری یک شرکت و سهام آن، و همچنین حساسیت هر رویکرد به مفروضات ساخته شده • نمونه های خاصی از ارزش گذاری چندگانه بازار و ارزیابی جریان نقدی تنزیل شده را انجام دهید این دوره قبلاً با عنوان "ارزیابی مالی و استراتژی: سرمایه گذاری" و بخشی از تخصص قبلی با عنوان "بهبود عملیات تجاری و مالی" بود که اکنون برای ثبت نام دانش آموزان جدید بسته شده است. «ارزیابی مالی و استراتژی: سرمایه‌گذاری‌ها» بر اساس 199 بررسی در بازه زمانی آگوست 2015 تا اوت 2016، میانگین امتیاز 4.8 از 5 را دریافت کرد. می‌توانید خلاصه‌ای از رتبه‌بندی‌ها و بررسی‌های این دوره را در بخش بررسی اجمالی دوره مشاهده کنید. این دوره بخشی از iMBA است که توسط دانشگاه ایلینویز ارائه می شود، یک MBA آنلاین انعطاف پذیر و کاملاً معتبر با قیمتی فوق العاده رقابتی. برای اطلاعات بیشتر، لطفاً به صفحه منابع در این دوره و onlinemba.illinois.edu مراجعه کنید.

coursera مایکروسافت Azure Machine Learning برای دانشمندان داده (Mitalearn-332840)

  • 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون Azurectification آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera مدل سازی رگرسیون در عمل (Mitalearn-335713)

  • 3 hours 4 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Jen Rose,Lisa Dierker
درباره این دوره:

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

coursera مدل های رگرسیون (Mitalearn-335373)

  • 6 hours 46 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Brian Caffo, PhD,Roger D. Peng, PhD,Jeff Leek, PhD
درباره این دوره:

مدل‌های خطی، همانطور که از نامشان پیداست، یک نتیجه را به مجموعه‌ای از پیش‌بینی‌کننده‌های مورد علاقه با استفاده از مفروضات خطی مرتبط می‌کنند. مدل‌های رگرسیون، زیرمجموعه‌ای از مدل‌های خطی، مهم‌ترین ابزار تحلیل آماری در جعبه ابزار یک دانشمند داده هستند. این دوره تحلیل رگرسیون، حداقل مربعات و استنتاج با استفاده از مدل های رگرسیون را پوشش می دهد. موارد خاص مدل رگرسیون، ANOVA و ANCOVA نیز پوشش داده خواهد شد. تجزیه و تحلیل باقیمانده ها و تنوع بررسی خواهد شد. این دوره تفکر مدرن در مورد انتخاب مدل و استفاده های جدید از مدل های رگرسیون از جمله هموارسازی پراکندگی را پوشش می دهد.

coursera یادگیری ماشین نظارت شده: رگرسیون (Mitalearn-270297)

  • 5 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Svitlana (Lana) Kramar
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

coursera یادگیری ماشین: رگرسیون (Mitalearn-334795)

  • 10 hours 18 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Emily Fox,Carlos Guestrin
درباره این دوره:

مطالعه موردی - پیش بینی قیمت مسکن در اولین مطالعه موردی ما، پیش‌بینی قیمت خانه، مدل‌هایی ایجاد می‌کنید که یک مقدار پیوسته (قیمت) را از ویژگی‌های ورودی (فیلم مربع، تعداد اتاق خواب و حمام،...) پیش‌بینی می‌کنند. این تنها یکی از مکان‌هایی است که می‌توان از رگرسیون استفاده کرد. کاربردهای دیگر از پیش‌بینی نتایج سلامت در پزشکی، قیمت سهام در امور مالی، و استفاده از توان در محاسبات با کارایی بالا تا تجزیه و تحلیل اینکه کدام تنظیم‌کننده برای بیان ژن مهم است، متغیر است. در این دوره، مدل های رگرسیون خطی منظم شده را برای کار پیش بینی و انتخاب ویژگی بررسی خواهید کرد. شما قادر خواهید بود مجموعه‌های بسیار بزرگی از ویژگی‌ها را مدیریت کنید و بین مدل‌هایی با پیچیدگی‌های مختلف انتخاب کنید. شما همچنین تأثیر جنبه‌های داده‌های خود - مانند مقادیر دورافتاده - بر مدل‌ها و پیش‌بینی‌های انتخابی خود را تجزیه و تحلیل خواهید کرد. برای تناسب با این مدل‌ها، الگوریتم‌های بهینه‌سازی را پیاده‌سازی خواهید کرد که به مجموعه داده‌های بزرگ مقیاس می‌شوند. نتایج یادگیری: در پایان این دوره، شما قادر خواهید بود: - ورودی و خروجی یک مدل رگرسیونی را شرح دهید. -مقایسه و کنتراست سوگیری و واریانس هنگام مدل‌سازی داده‌ها. -برآورد پارامترهای مدل با استفاده از الگوریتم های بهینه سازی. تنظیم پارامترها با اعتبار سنجی متقابل. -تحلیل عملکرد مدل - مفهوم پراکندگی و اینکه چگونه LASSO منجر به راه حل های پراکنده می شود را توضیح دهید. -استقرار روش ها برای انتخاب بین مدل ها. -از مدل برای ایجاد پیش بینی بهره برداری کنید. - ساخت یک مدل رگرسیون برای پیش بینی قیمت ها با استفاده از مجموعه داده مسکن. -این تکنیک ها را در پایتون پیاده سازی کنید.

Suggestions