لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین و مبانی هوش مصنوعی: پیشبینی، علیت و استنتاج آماری
Machine Learning and AI Foundations: Prediction, Causation, and Statistical Inference
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
در دنیای علوم داده ها، یادگیری ماشین و آمار اغلب با هم توزیع می شود، اما آنها به اهداف مختلف خدمت می کنند و در یکی از آنها به معنای تخصص دیگری نیستند. در حقیقت، استفاده از یک رویکرد آماری به یک مشکل یادگیری ماشین، یا بالعکس، می تواند منجر به سردرگمی بیش از توضیح شود. در این دوره، کیت McCormick چگونه آمار و یادگیری ماشین متفاوت است، زمانی که برای استفاده از هر یک، و نحوه استفاده از تمام ابزارها در اختیار شما برای روشن و قانع کننده زمانی که شما نتایج خود را به اشتراک بگذارید. او موضوعاتی را پوشش می دهد: چرا همبستگی شواهد کافی درباره علیت است؛ تفاوت بین داده های تجربی و مشاهدات؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، یک موضوع حیاتی در هنگام استفاده از آمار و یادگیری ماشین برای اثبات چیزی باعث می شود چیز دیگری باشد. اگر مدل های یادگیری ماشین را بسازید، تجزیه و تحلیل آماری را اجرا کنید یا به خصوص اگر هر دو را انجام دهید، این دوره برای شماست.
سرفصل ها و درس ها
معرفی
Introduction
پیش بینی، علیت و استنتاج آماری
Prediction, causation, and statistical inference
1. مدل کژوال چیست؟
1. What Is a Casual Model?
خانم در حال چشیدن چای
Lady tasting tea
چرا علیت در یک محیط تجاری اهمیت دارد؟
Why causation matters in a business setting
مدل علی چیست؟
What is a causal model?
امتحان فصل
Chapter Quiz
2. شک و تردید سالم در مورد داده ها و نتایج ما
2. Healthy Skepticism about Our Data and Our Results
شک و تردید در مورد داده ها: نظرسنجی انتخابات ترومن 1948
Skepticism about data: Truman 1948 Election Poll
شک و تردید در مورد نتایج: آیا این واقعا بهترین پیش بینی است؟
Skepticism about results: Is that really the best predictor?
شک و تردید در مورد علل: آیا X واقعا باعث Y می شود؟
Skepticism about causes: Is X really causing Y?
امتحان فصل
Chapter Quiz
3. همبستگی دلالت بر علیت ندارد
3. Correlation Does Not Imply Causation
همبستگی قوی چیست؟
What is a strong correlation?
پیرسون در مورد همبستگی و علیت
Pearson on correlation and causation
همبستگی و رگرسیون
Correlation and regression
چالش: چه چیزی باعث می شود چه چیزی؟
Challenge: What is causing what?
راه حل: چه چیزی باعث چه چیزی می شود؟
Solution: What is causing what?
امتحان فصل
Chapter Quiz
4. پیش بینی و اثبات در آمار
4. Prediction and Proof in Statistics
استفاده از احتمال برای اندازه گیری عدم قطعیت
Using probability to measure uncertainty
بررسی p-value
p-value review
چک لیست آزمون فرضیه
Hypothesis testing checklist
طالب در مورد عادی بودن، متوسط، و افراط گرایی
Taleb on normality, mediocristan, and extremistan
چالش: یافته های مهم را ارزیابی کنید
Challenge: Evaluate significant finding
راه حل: یافته های مهم را ارزیابی کنید
Solution: Evaluate significant finding
امتحان فصل
Chapter Quiz
5. قیاس و استقراء
5. Deduction and Induction
استقراء و قیاس چیست؟
What are induction and deduction?
هیوم در مورد استقرا
Hume on induction
پوپر در مورد استقرا و جعل
Popper on induction and falsification
طالب در استقرا
Taleb on induction
ضدافکت: مروارید بر استقراء و علیت
Counterfactuals: Pearl on induction and causality
امتحان فصل
Chapter Quiz
6. پیش بینی و اثبات در داده کاوی
6. Prediction and Proof in Data Mining
داده کاوی در مقابل لایروبی داده
Data mining vs. data dredging
قطار/تست: چه مشکلی ممکن است پیش بیاید؟
Train/Test: What can go wrong?
تست A/B در طول مرحله ارزیابی
A/B testing during the evaluation phase
امتحان فصل
Chapter Quiz
7. دو فرهنگ: آمار متضاد و داده کاوی
7. The Two Cultures: Contrasting Statistics and Data Mining
دو فرهنگ
The Two Cultures
توضیح در مقابل پیش بینی
Explain vs. predict
مقایسه CRISP-DM و روش علمی
Comparing CRISP-DM and the scientific method
استفاده از این دو روش در کار
Applying the two methods at work
داده کاو ، مربی ، سخنران ، نویسنده
کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.
کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.
نمایش نظرات