پیش بینی و تقسیم بندی داده ها با استفاده از مایکروسافت اکسل؛ انجام گروه بندی داده ها، پیش بینی های خطی و آمار یادگیری ماشین سری های زمانی بدون استفاده از کد

ویژگی‌های کلیدی

بخش‌بندی داده‌ها، پیش‌بینی‌های رگرسیون و پیش‌بینی‌های سری زمانی بدون نوشتن هیچ کدی
گروه‌بندی چندین متغیر با K-means با استفاده از افزونه اکسل بدون برنامه‌نویسی
ساخت، اعتبارسنجی و پیش‌بینی با یک مدل رگرسیون خطی چندگانه و پیش‌بینی‌های سری زمانی

شرح کتاب

پیش‌بینی و تقسیم‌بندی داده‌ها با استفاده از مایکروسافت اکسل شما را از طریق آمار پایه راهنمایی می‌کند تا آزمایش کنید که آیا می‌توان از داده‌های شما برای انجام پیش‌بینی‌های رگرسیون و پیش‌بینی‌های سری زمانی استفاده کرد یا خیر. تمرین‌های پوشش داده شده در این کتاب از داده‌های واقعی Kaggle، مانند تقاضای بلیط هواپیما فصلی و تشخیص تقلب کارت اعتباری، استفاده می‌کنند.

شما یاد خواهید گرفت که چگونه الگوریتم گروه‌بندی K-means را اعمال کنید، که به شما کمک می‌کند بخش‌هایی از داده‌های خود را پیدا کنید که با سایر تحلیل‌ها، مانند هوش تجاری (BI) و تحلیل محوری، مشاهده آنها غیرممکن است. با تجزیه و تحلیل گروه‌هایی که توسط K-means برگردانده می‌شوند، می‌توانید داده‌های پرت را که می‌توانند نشان‌دهنده تقلب احتمالی یا عملکرد بد در بسته‌های شبکه باشند، تشخیص دهید.

در پایان این کتاب مایکروسافت اکسل، شما قادر خواهید بود از الگوریتم طبقه‌بندی برای گروه‌بندی داده‌ها با متغیرهای مختلف استفاده کنید. همچنین می‌توانید مدل‌های خطی و سری زمانی را برای انجام پیش‌بینی‌ها و پیش‌بینی‌ها بر اساس داده‌های گذشته آموزش دهید.

آنچه خواهید آموخت

درک کنید که چرا یادگیری ماشین برای طبقه‌بندی و تقسیم‌بندی داده‌ها مهم است
تمرکز بر آزمون‌های آماری پایه برای وابستگی متغیر رگرسیون
آزمون خودهمبستگی سری زمانی برای ساخت یک پیش‌بینی مفید
استفاده از افزونه‌های اکسل برای اجرای K-means بدون برنامه‌نویسی
تحلیل داده‌های پرت بخش‌بندی برای ناهنجاری‌ها و تقلب‌های احتمالی داده‌ها
ساخت، آموزش و اعتبارسنجی مدل‌های رگرسیون چندگانه و پیش‌بینی‌های سری زمانی

این کتاب برای چه کسانی مناسب است؟

این کتاب برای تحلیلگران داده و کسب و کار و همچنین متخصصان علوم داده است. متخصصان MIS، امور مالی و حسابرسی که با MS Excel کار می‌کنند نیز این کتاب را مفید خواهند یافت.

فهرست مطالب

درک تقسیم‌بندی داده‌ها
اعمال رگرسیون خطی
سری زمانی چیست؟
مقدمه‌ای بر گروه‌بندی داده‌ها
یافتن تعداد بهینه گروه‌های تک متغیره
یافتن تعداد بهینه گروه‌های چند متغیره
تحلیل داده‌های پرت برای ناهنجاری‌های داده‌ها
یافتن رابطه بین متغیرها
ساخت، آموزش و اعتبارسنجی یک مدل خطی
ساخت، آموزش و اعتبارسنجی یک مدل رگرسیون چندگانه
آزمایش داده‌ها برای انطباق سری‌های زمانی
کار با سری‌های زمانی با استفاده از میانگین متحرک مرکزی و یک مؤلفه روند
آموزش، اعتبارسنجی و اجرای مدل