آموزش مبانی آمار و احتمال برای یادگیری ماشینی

Foundations of Statistics and Probability for Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره به شما مفاهیم، تئوری و اجرای آمار پایه، احتمال، آزمون فرضیه و تحلیل رگرسیون مورد نیاز برای ساخت و تفسیر مدل‌های یادگیری ماشینی معنادار را آموزش می‌دهد. یادگیری اهمیت p-values و آمار آزمون و نحوه استفاده از آنها پذیرش یا رد فرضیه صفر می تواند شما را به بررسی انواع مختلف آزمون t و یادگیری انتخاب مناسب برای مورد استفاده خود سوق دهد. در این دوره آموزشی، مبانی آمار و احتمال برای یادگیری ماشینی، یاد خواهید گرفت که از آمار برای تجزیه و تحلیل داده های اکتشافی و آزمایش فرضیه استفاده کنید. ابتدا، معیارهای گرایش و پراکندگی مرکزی شامل میانگین، حالت، میانه، برد و انحراف معیار را بررسی خواهید کرد. سپس، اصول اولیه توزیع احتمال و احتمال را بررسی خواهید کرد و یاد خواهید گرفت که چگونه چولگی و کشیدگی می تواند بینش مهمی در مورد داده های شما به شما بدهد. در مرحله بعد، خواهید فهمید که چگونه می توانید آزمون فرضیه را انجام دهید و نتایج این آزمون های آماری را تفسیر کنید. در نهایت، شما یاد خواهید گرفت که چگونه مدل های رگرسیون را هم رگرسیون ساده با یک پیش بینی کننده واحد و هم رگرسیون چندگانه با پیش بینی کننده های متعدد اجرا و تفسیر کنید و مدل های رگرسیون خود را با استفاده از R-squared و R-squared تعدیل شده ارزیابی خواهید کرد و آمار t و p را درک خواهید کرد. - مقدار مرتبط با ضرایب رگرسیون. پس از اتمام این دوره، مهارت ها و دانش آمار و تجزیه و تحلیل داده های مورد نیاز برای کاوش و تفسیر موثر داده های خود را به عنوان پیشرو برای استفاده از تکنیک های یادگیری ماشین خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک آمار توصیفی و توزیع احتمال Understanding Descriptive Statistics and Probability Distributions

  • بررسی نسخه Version Check

  • پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

  • آمار توصیفی برای درک داده ها Descriptive Statistics to Understand Data

  • اندازه گیری های فرکانس و گرایش مرکزی Measures of Frequency and Central Tendency

  • اقدامات پراکندگی Measures of Dispersion

  • نسخه ی نمایشی: معیارهای گرایش مرکزی Demo: Measures of Central Tendency

  • نسخه ی نمایشی: معیارهای پراکندگی Demo: Measures of Dispersion

  • احتمال و توزیع نرمال گاوسی Probability and the Gaussian Normal Distribution

  • نسخه ی نمایشی: احتمال Demo: Probability

  • نسخه ی نمایشی: توزیع عادی Demo: Normal Distribution

  • چولگی و کورتوزیس Skewness and Kurtosis

  • نسخه ی نمایشی: چولگی و کورتوزیس Demo: Skewness and Kurtosis

تفسیر داده ها با استفاده از آزمون آماری Interpreting Data Using Statistical Test

  • مراحل تست فرضیه Steps in Hypothesis Testing

  • تست فرضیه: چای بانو Hypothesis Testing: Lady Tasting Tea

  • خطاهای نوع اول و دوم Type I and Type II Errors

  • معرفی آزمونهای T Introducing t-tests

  • انواع آزمون t Types of t-tests

  • نسخه ی نمایشی: دو نمونه t-test قسمت اول Demo: Two Sample t-test Part I

  • نسخه ی نمایشی: دو نمونه t-test قسمت دوم Demo: Two Sample t-test Part II

  • نسخه ی نمایشی: تست t-نمونه های زوجی Demo: Paired Samples t-test

انجام تحلیل رگرسیون Performing Regression Analysis

  • اتصال نقاط با رگرسیون خطی Connecting the Dots with Linear Regression

  • راه اندازی مشکل رگرسیون Setting up the Regression Problem

  • تفسیر نتایج رگرسیون Interpreting the Results of Regression

  • نسخه ی نمایشی: کاوش مجموعه داده ها Demo: Exploring the Dataset

  • نسخه ی نمایشی: تحلیل رگرسیون با استفاده از یک پیش بینی کننده منفرد Demo: Regression Analysis Using a Single Predictor

  • نسخه ی نمایشی: پیش پردازش داده برای رگرسیون چندگانه Demo: Preprocessing Data for Multiple Regression

  • نسخه ی نمایشی: تحلیل رگرسیون با استفاده از پیش بینی های چندگانه Demo: Regression Analysis Using Multiple Predictors

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش مبانی آمار و احتمال برای یادگیری ماشینی
جزییات دوره
2h 13m
29
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.