مبانی علم داده: یادگیری ماشین و آمار

Foundations of Data Science: Machine Learning and Statistics

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر اصول اصلی علم داده با مهارت‌های ضروری در یادگیری ماشین و آمار. مهارت پایتون: در استفاده از پایتون برای پیاده‌سازی الگوریتم‌های یادگیری ماشین تسلط پیدا کنید و یک پایه برنامه‌نویسی محکم ایجاد کنید. Analytics Insight: توانایی استفاده از تجزیه و تحلیل در یادگیری ماشینی را توسعه دهید و بینش های ارزشمندی برای تصمیم گیری آگاهانه به دست آورید. یکپارچه سازی کلان داده ها: چالش ها و فرصت های موجود در ادغام کلان داده با فرآیندهای یادگیری ماشین را درک کنید. مبانی آماری: اصول نمونه گیری آماری، انواع داده ها، تجسم و تئوری احتمالات را که برای علم داده بسیار مهم هستند، بیاموزید. متغیرها و توزیع‌های تصادفی: مفاهیم متغیرهای تصادفی و توزیع‌های احتمال مختلف ضروری در برنامه‌های یادگیری ماشین را درک کنید. مهارت های جبر ماتریسی: در جبر ماتریسی مهارت کسب کنید و اهمیت آن را در دستکاری داده ها برای یادگیری ماشین درک کنید. تسلط بر آزمون فرضیه: مهارت‌هایی را در آزمون فرضیه، شامل انواع خطا، رویکردهای ارزش بحرانی و تجزیه و تحلیل P-value توسعه دهید. تجزیه و تحلیل رگرسیون: به دست آوردن بینش در مورد تحلیل کوواریانس و رگرسیون، تکنیک های اساسی برای مدل سازی پیش بینی در علم داده. کاربرد عملی: مفاهیم آموخته شده را از طریق آزمون ها، مثال های عملی و سناریوهای دنیای واقعی برای تجربه عملی به کار ببرید. آگاهی از روندهای نوظهور: از روندها و نوآوری های نوظهور در یادگیری ماشینی به روز بمانید و از ارتباط در زمینه ای به سرعت در حال تحول اطمینان حاصل کنید. پیش نیازها:برخی مفاهیم اولیه جبر خطی و حساب دیفرانسیل و انتگرال آشنایی با ریاضیات مقطع متوسطه باعث سهولت در پیگیری کلاس می شود.

"مبانی علم داده: یادگیری ماشین و تسلط بر آمار" عنوانی جامع و مناسب برای دوره‌ای است که مفاهیم، ​​ابزارها و تکنیک‌های ضروری در یادگیری ماشین و آمار را پوشش می‌دهد. این عنوان تمرکز دوره را بر ایجاد یک پایه قوی در عناصر کلیدی علم داده نشان می دهد و به شرکت کنندگان دانش و مهارت های لازم برای برتری در زمینه پویای تصمیم گیری مبتنی بر داده را ارائه می دهد. این یک کاوش متوازن و عمیق در یادگیری ماشین و اصول آماری را پیشنهاد می‌کند و آن را به یک انتخاب جذاب و آموزنده برای یادگیرندگان بالقوه تبدیل می‌کند. این برنامه جامع به گونه ای طراحی شده است که درک کاملی از اصول اساسی که زیربنای یادگیری ماشینی (ML) و آمار هستند را به شما ارائه دهد. در این دوره، مفاهیم کلیدی، روش‌شناسی و ابزارهای ضروری برای هر کسی که به دنبال سفر به دنیای تصمیم‌گیری مبتنی بر داده است را بررسی می‌کنیم.

در عصری که داده ها بر آن تسلط دارند، توانایی مهار و تفسیر اطلاعات بسیار ارزشمند است. این دوره به گونه ای طراحی شده است که شما را با دانش و مهارت های مورد نیاز برای پیمایش در مناظر پیچیده یادگیری ماشین و آمار تجهیز کند. چه مبتدی باشید که مشتاق درک اصول اولیه هستید یا یک حرفه ای با تجربه باشید که به دنبال تقویت پایه خود هستید، این دوره به سطوح مختلف یادگیری پاسخ می دهد.

ساختار دوره: دوره در یازده بخش سازماندهی شده است که هر بخش بر جنبه خاصی از ML و آمار تمرکز دارد. از اصول اساسی ML در پایتون گرفته تا کاوش های عمیق مفاهیم آماری، از طریق یک برنامه درسی ساختاریافته پیشرفت خواهید کرد که تخصص شما را گام به گام ایجاد می کند. هر بخش شامل یک سری سخنرانی است که یک تجربه یادگیری جامع و جامع را ارائه می دهد.

آنچه خواهید آموخت:

  • اهمیت یادگیری ماشین و کاربردهای آن را درک کنید.

  • در استفاده از Python برای پیاده سازی ML مهارت کسب کنید.

  • یکپارچه‌سازی داده‌های بزرگ و روندهای نوظهور در یادگیری ماشینی را کاوش کنید.

  • به اصول اولیه نمونه‌گیری آماری، انواع داده‌ها و تجسم مسلط شوید.

  • درکی کامل از نظریه احتمال و ارتباط آن با ML ایجاد کنید.

  • متغیرهای تصادفی، توزیع‌های احتمال، و کاربردهای آنها را درک کنید.

  • توزیع‌های آماری مختلف برای ML حیاتی را کاوش کنید.

  • مهارتهای اساسی را در جبر ماتریسی و کاربرد آن در ML کسب کنید.

  • به اصول و تکنیک های آزمون فرضیه تسلط داشته باشید.

  • انواع مختلف آزمون‌های فرضیه و کاربردهای عملی آنها را بررسی کنید.

  • درباره تحلیل رگرسیون و کوواریانس بینش به دست آورید.

چه کسی باید ثبت نام کند: این دوره برای مبتدیانی که وارد حوزه علم داده می شوند، حرفه ای هایی که به دنبال افزایش دانش آماری خود هستند و هر کسی که علاقه مند به درک مبانی یادگیری ماشینی است مناسب است. چه در دانشگاه، چه در صنعت یا یک خودآموز، این دوره یک مسیر یادگیری جامع و در دسترس را ارائه می دهد.

پیش نیازها: دانش اولیه مفاهیم برنامه نویسی مفید است، اما اجباری نیست. ذهن کنجکاو و اشتیاق برای کاوش در تلاقی داده ها، آمار و یادگیری ماشینی پیش نیازهای اصلی هستند.

فرمت دوره: این دوره در مجموعه ای از سخنرانی های متنی ارائه می شود که هر کدام بر موضوعات خاصی تمرکز دارند. این خود گام است و به شما این امکان را می دهد که با سرعت خود در مواد پیشرفت کنید. هر بخش با آزمون ها و مثال های عملی به پایان می رسد تا درک شما را تقویت کند.

این سفر هیجان انگیز را به دنیای تصمیم گیری مبتنی بر داده آغاز کنید! ما مطمئن هستیم که در پایان این دوره، شما پایه ای قوی در یادگیری ماشین و آمار خواهید داشت که به شما قدرت می دهد تا با چالش های دنیای واقعی مقابله کنید و در زمینه در حال تکامل علم داده مشارکت کنید. بیایید شروع کنیم!


بخش 1: مقدمه

در بخش مقدماتی، به شرکت کنندگان درک اساسی از زمینه یادگیری ماشین (ML) با تمرکز خاص بر روی برنامه های کاربردی آن با استفاده از زبان برنامه نویسی پایتون ارائه می شود. هدف اصلی، آشنایی شرکت‌کنندگان با دامنه وسیع ML، تکامل تاریخی آن، و نقش حیاتی پایتون در پیاده‌سازی الگوریتم‌های ML است. هدف این بخش فراهم کردن زمینه برای ماژول های بعدی با ایجاد یک درک مشترک از مفاهیم اصلی در ML است.

بخش 2: وارد کردن

بخش 2 بر اساس مقدمه استوار است و جنبه های مختلف یادگیری ماشین را عمیق تر می کند. سخنرانی‌های این بخش، تحلیل‌های درون زمینه ML را پوشش می‌دهد و بر نقش بینش‌های مبتنی بر داده در تصمیم‌گیری تأکید می‌کند. ادغام داده های بزرگ در فرآیندهای ML مورد بررسی قرار می گیرد و چالش ها و فرصت های ناشی از حجم عظیم داده های تولید شده را برجسته می کند. علاوه بر این، شرکت‌کنندگان بینش‌هایی در مورد روندهای نوظهور در ML به دست می‌آورند و اطمینان حاصل می‌کنند که از آخرین پیشرفت‌های شکل‌دهنده این حوزه آگاه هستند.

بخش 3: مبانی نمونه گیری آماری

این بخش تمرکز را به اصول اساسی آمار، به‌ویژه روش‌های نمونه‌گیری در زمینه ML تغییر می‌دهد. سخنرانی ها تکنیک ها، اصطلاحات و مفاهیم مختلفی مانند مشاهده خطا و عدم مشاهده را پوشش می دهد. کاوش در نمونه‌گیری سیستماتیک و خوشه‌ای، پایه محکمی در نمونه‌گیری آماری برای شرکت‌کنندگان فراهم می‌کند که برای تصمیم‌گیری آگاهانه در ML بسیار مهم است.

بخش 4: مبانی آمار انواع داده ها و تجسم

بخش 4 بر اصول اولیه آمار مربوط به انواع داده ها و تجسم متمرکز است. شرکت‌کنندگان یاد می‌گیرند که چگونه انواع مختلف داده‌ها را دسته‌بندی کنند و تکنیک‌های تجسم را با تأکید خاص بر داده‌های کیفی کشف کنند. این دانش شرکت کنندگان را با مهارت های ضروری برای بازنمایی و تفسیر موثر داده ها در زمینه ML مجهز می کند.

بخش 5: مبانی احتمال آمار

بخش 5 شرکت کنندگان را با جنبه های احتمالی یادگیری ماشین آشنا می کند. سخنرانی ها مفاهیم اساسی احتمال، از جمله احتمال بسامد نسبی، احتمال مشترک، احتمال شرطی، استقلال، و احتمال کل را پوشش می دهند. این بخش پایه احتمالی لازم برای درک الگوریتم های ML و اصول آماری زیربنایی آنها را ایجاد می کند.

بخش 6: مبانی آمار متغیرهای تصادفی

تمرکز بر روی متغیرهای تصادفی و توزیع‌های احتمالی در بخش 6 تغییر می‌کند. شرکت‌کنندگان به جنبه‌های ریاضی متغیرهای تصادفی و توزیع‌های آن‌ها می‌پردازند و درک درستی از نحوه تاثیر احتمال بر داده‌ها در زمینه ML به دست می‌آورند. این بخش زمینه را برای درک ماهیت تصادفی متغیرهایی که در برنامه های کاربردی ML با آنها مواجه می شوند، ایجاد می کند.

بخش 7: مبانی توزیع آمار

بر اساس بخش 6، بخش 7 کاوش توزیع احتمالات مربوط به ML را عمیق تر می کند. سخنرانی ها توزیع های خاصی مانند توزیع های برنولی، گاوسی، هندسی، پیوسته و نرمال را پوشش می دهند. شرکت‌کنندگان بینش‌هایی در مورد کاربردهای این توزیع‌ها به دست می‌آورند و یک پس‌زمینه آماری قوی برای مفاهیم پیشرفته ML ایجاد می‌کنند.

بخش 8: جبر ماتریسی

بخش 8 شرکت کنندگان را با جبر ماتریسی، ابزاری اساسی در ML آشنا می کند. سخنرانی ها عبارات ریاضی، محاسبات، و ویژگی های ماتریس ها، همراه با مفهوم عوامل تعیین کننده را پوشش می دهند. هدف این بخش ارائه دانش ریاضی لازم به شرکت کنندگان برای درک و دستکاری ماتریس ها در زمینه الگوریتم های ML است.

بخش 9: آزمون فرضیه

این بخش بر تست فرضیه در ML تمرکز دارد. سخنرانی ها انواع خطا، رویکردهای ارزش بحرانی، رویکردهای P-value و سناریوهای مختلف برای آزمون فرضیه را پوشش می دهند. شرکت‌کنندگان یاد می‌گیرند که چگونه روش‌های آماری را برای تأیید فرضیه‌ها به کار ببرند، مهارتی حیاتی برای تصمیم‌گیری آگاهانه بر اساس داده‌های ML.

بخش 10: آزمون‌های فرضیه-انواع

بخش 10 انواع خاصی از آزمون‌های فرضیه قابل اجرا در سناریوهای ML را بررسی می‌کند. سخنرانی‌ها شامل تست‌های نرمال بودن، تست‌های T، تست‌های استقلال و تست‌های خوب بودن تناسب می‌شود. مثال‌های عملی کاربرد این آزمون‌ها را نشان می‌دهد و به شرکت‌کنندگان تجربه عملی در به‌کارگیری روش‌های آماری برای مشکلات ML در دنیای واقعی ارائه می‌دهد.

بخش 11: رگرسیون

بخش پایانی بر تجزیه و تحلیل رگرسیون تمرکز دارد که با مفهوم کوواریانس و ادامه آن شروع می شود. شرکت‌کنندگان در مورد اینکه چگونه کوواریانس به درک روابط بین متغیرها در برنامه‌های ML کمک می‌کند، بینش‌هایی به دست می‌آورند. هدف این بخش، تجهیز شرکت کنندگان به دانش و مهارت های مورد نیاز برای تجزیه و تحلیل رگرسیون، یک جنبه اساسی از مدل سازی پیش بینی در ML است.



سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه ای بر یادگیری ماشین با پایتون Introduction to Machine Learning with Python

واردات Importing

  • مقدمه یادگیری ماشین Machine Learning Introduction

  • تجزیه و تحلیل در یادگیری ماشینی Analytics in Machine Learning

  • یادگیری ماشین داده های بزرگ Big Data Machine Learning

  • روندهای نوظهور یادگیری ماشینی Emerging Trends Machine Learning

  • داده کاوی Data Mining

  • داده کاوی ادامه دارد Data Mining Continues

  • تحت نظارت و بدون نظارت Supervised and Unsupervised

مبانی آمار نمونه گیری Basics of Statistics Sampling

  • روش نمونه گیری در یادگیری ماشینی Sampling Method in Machine Learning

  • اصطلاحات فنی Technical Terminology

  • خطای مشاهده و عدم مشاهده Error of Observation and Non Observation

  • نمونه گیری سیستماتیک Systematic Sampling

  • نمونه گیری خوشه ای Cluster Sampling

مبانی آمار انواع داده ها و تجسم Basics of Statistics Data types and Visualization

  • انواع داده های آماری Statistics Data Types

  • داده های کیفی و تجسم Qualitative Data and Visualization

مبانی آمار احتمال Basics of Statistics Probability

  • یادگیری ماشینی Machine Learning

  • احتمال فرکانس نسبی Relative Frequency Probability

  • احتمال مشترک Joint Probability

  • احتمال شرطی Conditional Probability

  • مفهوم استقلال Concept of Independence

  • احتمال کل Total Probability

مبانی آمار متغیرهای تصادفی Basics of Statistics Random Variables

  • متغیر تصادفی Random Variable

  • توزیع احتمال Probability Distribution

  • توزیع احتمال تجمعی Cumulative Probability Distribution

مبانی توزیع های آماری Basics of Statistics Distributions

  • توزیع برنولی Bernoulli Distribution

  • توزیع گاوسی Gaussian Distribution

  • توزیع هندسی Geometric Distribution

  • توزیع مداوم و عادی Continuous and Normal Distribution

جبر ماتریسی Matrix Algebra

  • بیان و محاسبات ریاضی Mathematical Expression and Computation

  • انتقال ماتریس Transpose of Matrix

  • ویژگی های ماتریس Properties of Matrix

  • عوامل تعیین کننده Determinants

آزمون فرضیه Hypothesis Testing

  • انواع خطا Error Types

  • رویکرد ارزش بحرانی Critical Value Approach

  • رویکرد انتقادی سمت راست و چپ Right and Left Sided Critical Approach

  • رویکرد P-Value P-Value Approach

  • رویکرد P-Value ادامه دارد P-Value Approach Continues

  • آزمون فرضیه Hypothesis Testing

  • تست دم سمت چپ Left Tail Test

  • تست دو دم Two Tail Test

  • فاصله اطمینان Confidence Interval

  • نمونه ای از فاصله اطمینان Example of Confidence Interval

آزمون های فرضیه-انواع Hypothesis Tests-Types

  • توزیع نرمال و غیر عادی Normal and Non Normal Distribution

  • تست نرمال بودن Normality Test

  • تست نرمال ادامه دارد Normality Test Continues

  • تعیین تحول Determining the Transformation

  • T-Test T-Test

  • T-Test ادامه دارد T-Test Continue

  • اطلاعات بیشتر در مورد T-Test More on T-Test

  • آزمون استقلال Test of Independence

  • نمونه آزمون استقلال Example of Test of Independence

  • تست خوب بودن تناسب Goodness of Fit Test

  • نمونه ای از تست خوب بودن تناسب Example of Goodness of Fit Test

رگرسیون Regression

  • کوواریانس Co-Variance

  • کوواریانس ادامه دارد Co-Variance Continues

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

مبانی علم داده: یادگیری ماشین و آمار
جزییات دوره
8 hours
55
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
4,440
4.4 از 5
ندارد
دارد
دارد
EDU CBA
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

EDU CBA EDU CBA

مهارت های دنیای واقعی را بصورت آنلاین بیاموزید EDUCBA یک ارائه دهنده جهانی آموزش مبتنی بر مهارت است که نیازهای اعضا را در بیش از 100 کشور برطرف می کند. ما بزرگترین شرکت فناوری پیشرفته در آسیا با نمونه کارهای 5498+ دوره آنلاین ، 205+ مسیر یادگیری ، 150+ برنامه شغل محور (JOPs) و 50+ بسته دوره حرفه ای شغلی هستیم که توسط متخصصان برجسته صنعت آماده شده است. برنامه های آموزشی ما برنامه های مبتنی بر مهارت شغلی است که توسط صنعت در سراسر امور مالی ، فناوری ، تجارت ، طراحی ، داده و فناوری جدید و آینده مورد نیاز صنعت است.