فیلم آموزشی جامع رگرسیون یا Regression (به زبان فارسی)
بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله رگرسیون یا Regression بیان نمود، که در آن در نهایت یک یک مدلپیش بینی کننده تربیت و طراحی می شود که می تواند با در دست داشتن نقاطی از یک رابطه ریاضی مخفی یا موجود، تمامی آن رابطه را بازسازی و یا شبیه سازی کند، و به ما در یافتن ارتباطهای موجود میان متغیرها و خروجی ها، کمک کند. در فیلم آموزشی جامع رگرسیون یا Regression، پس از مرور کلی بر مفاهیم رگرسیون و مدل سازی، تعدادی از روش های پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.
در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.
برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، لینک ادامه مطلب را ببینید.
بسیاری از مسائل داده کاوی را می توان به صورت یک مسأله رگرسیون یا Regression بیان نمود، که در آن در نهایت یک یک مدلپیش بینی کننده تربیت و طراحی می شود که می تواند با در دست داشتن نقاطی از یک رابطه ریاضی مخفی یا موجود، تمامی آن رابطه را بازسازی و یا شبیه سازی کند، و به ما در یافتن ارتباطهای موجود میان متغیرها و خروجی ها، کمک کند. در فیلم آموزشی جامع رگرسیون یا Regression، پس از مرور کلی بر مفاهیم رگرسیون و مدل سازی، تعدادی از روش های پر کاربرد معرفی و در محیط متلب پیاده سازی شده اند.
در بسیاری از رشته های علمی و فنی، در نهایت ما با مجموعه ای از داده ها روبرو هستیم که حجم کم یا زیادی را دارند؛ اما مهم ترین کار، به دست آوردن چنین پایگاه داده ای نیست. بلکه باید بتوانیم، سطح بالاتری از دانش را با توجه به پایگاه داده مذکور به دست بیاوریم؛ این یعنی نتیجه گیری و جمع بندی تمام تلاش هایی که برای جمع آوری آن داده ها صرف شده است.
اکثر دانشمندان و محققین سرشناس هر رشته علمی یا فنی، در کنار عامل خلاقیت و تخصص، یک ویژگی مشترک و بسیار مهم دارند، و آن نتیجه گیری های مهمی است که از مشاهدات و داده های جمع آوری شده ارائه کرده اند. در رشته های مختلف علمی، نظریه های بسیار مهمی که با مطالعات میدانی به دست آمده اند، همگی دارای این مولفه مشترک هستند: به دست آوردن قواعد و قوانینی که توضیحی فشرده و مفهومی از داده های در دسترس را ارائه می دهند. این عملیات، و مجموعه دیگری از کارهای مرتبط با آن، موضوع بحث یکی از زیر شاخه های مشترک علوم کامپیوتر و آمار، به نام داده کاوی یا Data Mining است. فرآیند کلی استخراج دانش از داده، معنای عام تری از داده کاوی را در بر دارد که به Knowledge Discovery from Data یا KDD معروف است.
سرفصل های مهمترین مباحث مطرح شده در این فیلم آموزشی در ادامه آمده اند:
- بررسی مفاهیم بنیادی رگرسیون و مدل سازی و رویکردهای کلی حل این مسائل
- بررسی ساختار مسأله یادگیری نظارت شده برای مدل سازی و رگرسیون
- بررسی و معرفی انواع روش های رگرسیون
- روش کمترین مربعات یا Least Squares (به اختصار LS) و پیاده سازی آن در محیط متلب
- تعمیم روش کمترین مربعات برای مدل سازی غیر خطی
- مروری بر شبکه های عصبی پرسپترون چند لایه یا MLP
- مدل سازی و رگرسیون با شبکه عصبی MLP در متلب
- مروری بر شبکه های عصبی مبتنی بر توابع شعاعی یا RBF
- مدل سازی و رگرسیون با شبکه عصبی RBF در متلب
برای مشاهده جزئیات و تهیه آموزش فرادرس فیلم آموزشی جامع رگرسیون یا Regression به این لینک (+) مراجعه نمایید.
برای مشاهده پیش نمایش این محصول بر روی یوتیوب (YouTube) از لینک زیر استفاده کنید:
لینک ویدئو بر روی سرور یوتیوب (YouTube)
مطالب پیشنهادی
مجموعه: خوشه بندی, داده کاوی, فیلم های آموزشی, محصولات آموزشی, یادگیری ماشینی برچسب ها: Data Mining, Data Mining in MATLAB, KDD, Knowledge Discovery, Knowledge Discovery from Data, Least Squares, Linear Regression, Nonlinear Regression, Regression, استخراج دانش, داده کاوی, داده کاوی در متلب, رگرسیون, رگرسیون خطی, رگرسیون غیر خطی, روش های رگرسیون, شبکه عصبی, شبکه عصبی MLP در متلب, شبکه عصبی RBF, شبکه عصبی RBF در متلب, شبکه عصبی پرسپترون چند لایه یا MLP, شبکه عصبی مصنوعی, کاوش دانش, کشف دانش, کمترین مربعات, کمترین مربعات برای رگرسیون, کمترین مربعات برای رگرسیون غیر خطی, مبانی داده کاوی, مدل سازی, یادگیری نظارت شده





