توضیحات
یادگیری ماشین به عنوان یکی از مهمترین زمینه‌های هوش مصنوعی، الگوریتم‌های متعددی برای پیش‌بینی و تحلیل داده‌ها ارائه می‌دهد. یکی از الگوریتم‌های پایه در این زمینه، رگرسیون خطی (Linear Regression) است. با توجه به گسترش این شاخه از علم، ما نیز تصمیم گرفتیم PDFای از همین رشته تهیه و آماده سازی نماییم. این آموزش در زمینه رگرسیونها در پایتون می‌باشد پس با ما همراه باشید تا این آموزش جذاب را معرفی کنیم.
PDF رگرسیونها در پایتون
یکی از پایه‌ای‌ترین و پرکاربردترین الگوریتم‌های در زمینه یادگیری ماشین، رگرسیون خطی (Linear Regression) است. این الگوریتم به ما این امکان را می‌دهد که ارتباط خطی بین یک متغیر وابسته (dependent variable) و یک یا چند متغیر مستقل (independent variable) را مدل کنیم و از آن برای پیش‌بینی مقدار متغیر وابسته بر اساس متغیر مستقل استفاده کنیم. در این قسمت PDF آموزش رگرسیونها در پایتون را تهیه کرده‌ایم. برای این کار ما از ماژول sklearn و numpy و pandas و matplotlib کمک می‌گیریم. در صورتی که با این ماژول‌ها آشنایی ندارید پیشنهاد می‌کنیم دوره آموزش پیش نیاز علم داده را مطالعه نمایید چراکه در این دوره تمامی ماژول‌های فوق (به استثنا sklearn) آموزش داده می‌شوند.
محتوای آموزش
در مجموع تعداد شش رگرسیون در این مجموعه آموزشی توضیح داده شده و پیاده سازی آن با پایتون انجام گردیده است. محتوای این شش مجموعه به صورت زیر است:
- رگرسیون خطی ساده (Simple Linear Regression)
- رگرسیون خطی چندگانه (Multiple Linear Regression)
- رگرسیون چندجمله‌ای (Polynomial Regression)
- رگرسیون ریج (Ridge Regression)
- رگرسیون لسو (Lasso Regression)
- رگرسیون الاستیک نت (Elastic Net Regression)
- فرمول رگرسیون خطی ساده
- چگونگی کار با رگرسیون خطی در پایتون
- انتخاب داده‌ها و تجهیز داده‌ها
- ایجاد مدل رگرسیون خطی
- آموزش مدل
- پیش‌بینی مقادیر جدید
- ارزیابی مدل
- مثال عملی: پیش‌بینی قیمت خانه
- انتخاب داده‌ها
- ایجاد مدل و آموزش آن
- معرفی رگرسیون خطی چندگانه
- رگرسیون خطی چندگانه در پایتون
- پیاده‌سازی رگرسیون خطی چندگانه در پایتون
- فواید رگرسیون خطی چندگانه
- محدودیت‌های رگرسیون خطی چندگانه
- معرفی رگرسیون چندجمله‌ای
- رگرسیون چندجمله‌ای در پایتون
- پیاده‌سازی رگرسیون چندجمله‌ای در پایتون
- اهمیت پارامتر
- فواید رگرسیون چندجمله‌ای
- محدودیت‌های رگرسیون چندجمله‌ای
رگرسیون ریج (Ridge Regression)
- معرفی رگرسیون ریج
- رگرسیون ریج در پایتون
- پیاده‌سازی رگرسیون ریج در پایتون
- اهمیت پارامتر مقدار مجموع مربعات در رگرسیون ریج
- فواید رگرسیون ریج
- محدودیت‌ها ی رگرسیون ریج
رگرسیون لسو (Lasso Regression)
- معرفی رگرسیون لسو
- رگرسیون لسو در پایتون
- پیاده‌سازی رگرسیون لسو در پایتون
- ویژگی‌های رگرسیون لسو
- محدودیت‌های رگرسیون لسو
رگرسیون الاستیک نت (Elastic Net Regression)
- معرفی رگرسیون Elastic Net
- رگرسیون Elastic Net در پایتون
- پیاده‌سازی رگرسیون Elastic Net در پایتون
- ویژگی‌های رگرسیون Elastic Net
- محدودیت‌های رگرسیون Elastic Net
فایل‌ها و ماژول‌ها آموزش
در این آموزش از فایل‌ها و ماژول‌های زیر استفاده گردیده است:
- Numpy: نصب numpy با دستور pip install numpy از طریق cmd انجام می‌شود.
- pandas: با دستور pip install pandas از طریق cmd، نصب این ماژول انجام می‌شود.
- matplotlib: دستور pip install matplotlib را در cmd بزنید.
- seaborn: برای نصب seaborn نیز در cmd دستور pip install seaborn را بنویسید.
- scikit-learn: نصب scikit-learn با دستور pip install scikit-learn از طریق cmd انجام می‌شود.
- فایل PDF: مجموع هفت PDF با عناوین توضیح داده شده در قسمت قبل در اختیار شما قرار خواهد گرفت.
- سورس کد: شش فایل سورس کد مربوط به رگرسیون‌های آموزش داده شده با فرمت .py در کنار PDF آموزشی قرار دارد.
برای نصب پایتون به طوری که در CMD بتوانید کدهای پایتون را اجرا و ماژول‌ها را نصب نمایید ویدئو زیر را حتماً مشاهده کنید: