مبانی احتمال برای علم داده

Probability Foundations for Data Science

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

درک کامل از ریاضیات، به ویژه احتمال، برای تلاش های موفق علم داده بسیار مهم است. این دوره اصول احتمالات را با توضیحات واضح، معادلات رایج، مثال‌های ساده و کاربردهای واقعی پوشش می‌دهد. ابتدا، مروری بر مبانی، مانند متغیرهای تصادفی، همراه با انواع توزیع هسته: گسسته، پیوسته، تجمعی و مشترک پوشش داده شده است. سپس انتظارات و واریانس شامل انتظار شرطی، انحراف معیار، کوواریانس و همبستگی بررسی می‌شوند. در مرحله بعد، چندین توزیع گسسته استاندارد و توزیع های پیوسته به تفصیل بیان می شوند و به دنبال آن قضایای حدی و تقریب های رایج بیان می شوند. پس از آن، احتمال بیزی مورد بررسی قرار می گیرد، از جمله اینکه چگونه با احتمال فراوانی تفاوت دارد. در نهایت، چند روش برآورد متداول پوشش داده شده است. به مگان سیلوی بپیوندید تا شما را در هر بخش راهنمایی کند و تخصص خود را به شما منتقل کند.


سرفصل ها و درس ها

مقدمه Introduction

  • بررسی حساب دیفرانسیل و انتگرال: محدودیت ها و مشتقات Calculus review: Limits and derivatives

  • مقدمه ای بر احتمال Introduction to probability

  • آنچه شما باید بدانید What you should know

  • بررسی حساب دیفرانسیل و انتگرال: انتگرال Calculus review: Integrals

1. مبانی احتمال 1. Probability Fundamentals

  • توزیع های مداوم Continuous distributions

  • توزیع های تجمعی Cumulative distributions

  • احتمال پایه Basic probability

  • توزیع های گسسته Discrete distributions

  • متغیرهای تصادفی Random variables

  • توزیع های مشترک Joint distributions

2. انتظار و واریانس 2. Expectation and Variance

  • انتظار مشروط Conditional expectation

  • واریانس و انحراف معیار Variance and standard deviation

  • انتظار متغیرهای تصادفی گسسته Expectation of discrete random variables

  • گسسته در مقابل پراکندگی پیوسته Discrete vs. continuous dispersion

  • کوواریانس Covariance

  • انتظار متغیرهای تصادفی پیوسته Expectation of continuous random variables

  • انتظار Expectation

  • همبستگی Correlation

3. توزیع های گسسته 3. Discrete Distributions

  • توزیع پواسون Poisson distribution

  • توزیع دوجمله ای منفی Negative binomial distribution

  • توزیع دو جمله ای Binomial distribution

  • توزیع یکنواخت گسسته Discrete uniform distribution

  • توزیع هندسی Geometric distribution

  • توزیع فرا هندسی Hypergeometric distribution

  • توزیع برنولی Bernoulli distribution

  • توزیع های گسسته: مقدمه Discrete distributions: Introduction

4. توزیع های مستمر 4. Continuous Distributions

  • توزیع F F distribution

  • توزیع نمایی Exponential distribution

  • توزیع t t distribution

  • توزیع های پیوسته: مقدمه Continuous distributions: Introduction

  • توزیع نرمال استاندارد Standard normal distribution

  • توزیع گاما Gamma distribution

  • توزیع نرمال Normal distribution

  • توزیع پارتو Pareto distribution

  • توزیع یکنواخت Uniform distribution

  • توزیع کای دو Chi-squared distribution

5. قضایای حدی و تقریبی 5. Limit Theorems and Approximations

  • نابرابری چبیشف Chebyshev's inequality

  • قانون ضعیف اعداد بزرگ Weak Law of Large Numbers

  • تقریب نرمال توزیع دو جمله ای Normal approximation of the binomial distribution

  • قضیه حد مرکزی Central Limit theorem

  • قانون قوی اعداد بزرگ Strong Law of Large Numbers

  • تقریب مونت کارلو Monte Carlo Approximation

6. احتمال بیزی 6. Bayesian Probability

  • احتمال مکرر در مقابل بیزی Frequentist vs. Bayesian probability

  • احتمال بیزی: تاریخچه Bayesian probability: History

  • کاربردهای بیزی Bayesian applications

  • استنتاج بیزی Bayesian inference

  • قضیه بیز Bayes' theorem

7. برآورد 7. Estimation

  • برآورد حداکثر احتمال (MLE) Maximum likelihood estimation (MLE)

  • برنامه های کاربردی MAP MAP applications

  • حداکثر تخمین پسینی (MAP) Maximum a posteriori estimation (MAP)

  • MLE برای توزیع نرمال MLE for normal distribution

  • MLE برای توزیع نمایی MLE for exponential distribution

  • MLE برای توزیع دوجمله ای MLE for binomial distribution

نتیجه گیری Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

مبانی احتمال برای علم داده
جزییات دوره
4h 53m
54
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
1,078
- از 5
ندارد
دارد
دارد
Megan Silvey
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Megan Silvey Megan Silvey

مشاور علم داده

مگان سیلوی یک مشاور علم داده است.

مگان مشتاق کمک به شرکت ها در تصمیم گیری های مبتنی بر داده است. او Silvey Solutions را برای کمک به ایجاد تفاوت در جامعه داده با ارائه بینش‌های عملی و مبتنی بر داده تأسیس کرد. برخی از مشتریان برجسته ای که او با آنها کار کرده است عبارتند از: سازمان ملل متحد، بازنشسته، phData و BankOnIP.

او مدرک کارشناسی ارشد را در تجزیه و تحلیل داده ها از دانشگاه ایالتی کانزاس و لیسانس ریاضیات با رشته روانشناسی را در دانشگاه کانزاس دریافت کرد.