Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
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
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.
نمایش نظرات
نظری ارسال نشده است.