🟩 معرفی جلسات 12 گانه دوره «زبان برنامه نویسی R از مقدماتی تا پیشرفته؛ تحلیل حرفه ای داده با R»

🔣 هفته (جلسه نهم و دهم) : Regression


✅ محتوای این جلسه:

در بسیاری از جهات، تحلیل رگرسیون در قلب آمار قرار دارد. این اصطلاح به مجموعه‌ای از روش‌ها اطلاق می‌شود که برای پیش‌بینی یک متغیر پاسخ (که به آن متغیر وابسته، معیار یا متغیر نتیجه نیز می‌گویند) از یک یا چند متغیر پیش‌بین (که به آن متغیر مستقل) استفاده می‌شود. به طور کلی، تحلیل رگرسیون می‌تواند برای شناسایی متغیرهای پیش‌بین مرتبط با یک متغیر پاسخ، توصیف شکل روابط بین آنها، و ارائه معادله‌ای برای پیش‌بینی متغیر پاسخ از متغیرهای پیش‌بین به کار رود.

برای مثال، یک فیزیولوژیست ورزشی ممکن است از تحلیل رگرسیون برای توسعه یک معادله به منظور پیش‌بینی تعداد کالری‌های سوخته‌شده توسط یک فرد در هنگام ورزش بر روی تردمیل استفاده کند. در این مثال، متغیر پاسخ تعداد کالری‌های سوخته‌شده است (که از میزان اکسیژن مصرفی محاسبه می‌شود) و متغیرهای پیش‌بین می‌توانند شامل مدت زمان ورزش (به دقیقه)، درصد زمانی که فرد در ضربان قلب هدف خود است، سرعت متوسط (مایل در ساعت)، سن (به سال)، جنسیت و شاخص توده بدنی (BMI) باشند.

👈از دیدگاه نظری تحلیل رگرسیون به پرسش‌های زیر پاسخ می‌دهد:

🟣رابطه بین مدت زمان ورزش و کالری‌های سوخته‌شده چیست؟
🟣آیا این رابطه خطی است یا منحنی؟
🟣به عنوان مثال، آیا بعد از یک نقطه خاص، ورزش تأثیر کمتری بر تعداد کالری‌های سوخته‌شده دارد؟
🟣میزان تلاش (درصد زمانی که فرد در ضربان قلب هدف خود است، سرعت متوسط راه‌رفتن) چگونه در این رابطه نقش دارد؟
🟣آیا این روابط برای افراد جوان و مسن، زن و مرد، سنگین‌وزن و سبک‌وزن یکسان است؟

👈از دیدگاه عملی، این تحلیل به پرسش‌های زیر پاسخ می‌دهد:

🟡یک مرد ۳۰ ساله با شاخص توده بدنی ۲۸.۷، اگر ۴۵ دقیقه با سرعت متوسط ۴ مایل در ساعت پیاده‌روی کند و ۸۰٪ از زمان را در ضربان قلب هدف خود بماند، چه تعداد کالری می‌سوزاند؟
حداقل چه تعداد متغیر باید جمع‌آوری شود تا بتوان به‌طور دقیق تعداد کالری‌های سوخته‌شده هنگام پیاده‌روی را پیش‌بینی کرد؟

🟡ما در این بخش ابتدا، نحوه برازش و تفسیر مدل‌های رگرسیون را بررسی می‌کنیم. سپس مجموعه‌ای از تکنیک‌ها برای شناسایی مشکلات احتمالی در این مدل‌ها و چگونگی مقابله با آنها مرور خواهد شد. در مرحله سوم، به مسئله انتخاب متغیر می‌پردازیم. از میان تمامی متغیرهای پیش‌بین موجود، چگونه تصمیم می‌گیرید کدام یک را در مدل نهایی خود قرار دهید؟ چهارم، به سؤال تعمیم‌پذیری پاسخ خواهیم داد. مدل شما چقدر در دنیای واقعی کارایی دارد؟ در نهایت، به اهمیت نسبی متغیرها خواهیم پرداخت. از میان تمام متغیرهای پیش‌بین در مدل شما، کدام یک مهم‌ترین است، کدام دومین اهمیت را دارد و کدام کم‌اهمیت‌ترین است؟


✨ با حضور:

👤 دکتر علی محمدی، مدرس جهاد دانشگاهی دانشگاه صنعتی شریف

👈 نحوه ثبت نام در این دوره:

https://t.me/IDS_Math/177

⬅️ سرفصل های این دوره:

https://t.me/IDS_Math/179

🟢 همراه با گواهی شرکت در دوره به انگلیسی 

◀️ کسب اطلاعات بیشتر:

✈️@InterdisciplinarySchools2


✉️ @IDS_Math
✉️ @IDSchools