آموزش آمار و ریاضیات برای علم داده و تجزیه و تحلیل داده [ویدئو]

Statistics and Mathematics for Data Science and Data Analytics [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: اگر هدف شما حرفه ای در علم داده یا تجزیه و تحلیل داده است، این دوره شما را به دانش عملی مورد نیاز برای تسلط بر آمار اولیه مجهز می کند. برای تبدیل شدن به یک دانشمند داده یا تحلیلگر به دانش خوب آمار و نظریه احتمال نیاز دارید. این دوره با مقدمه ای بر آمار توصیفی آغاز می شود و اصول اولیه از جمله میانگین، میانه، حالت و چولگی را توضیح می دهد. سپس در مورد محدوده ها، محدوده بین ربعی (IQR)، نمونه ها و جمعیت ها، واریانس و انحراف معیار بیشتر خواهید آموخت. بخش زیر به تفصیل توزیع ها از جمله توزیع نرمال و امتیازات Z را توضیح می دهد. سپس، احتمال را با جزئیات بررسی خواهید کرد، قضیه بیز، قضیه حد مرکزی، قانون اعداد بزرگ و در نهایت توزیع پواسون را بررسی خواهید کرد. در مرحله بعد، رگرسیون خطی و ضرایب رگرسیون، میانگین مربعات خطا، میانگین خطای مطلق و ریشه میانگین مربعات خطا را به طور جامع بررسی خواهید کرد. شما همچنین تست فرضیه و خطاهای نوع I و II را با جزئیات بیشتری بررسی خواهید کرد و سپس به طور جامع در مورد تجزیه و تحلیل واریانس (ANOVA) یاد خواهید گرفت. پس از اتمام این دوره، شما به طور جامع دانشی در مورد مبانی آماری، روش های تجزیه و تحلیل داده ها، فرآیندهای تصمیم گیری و مفاهیم یادگیری ماشین با مثال کسب خواهید کرد. همه منابع در دسترس هستند: https://github.com/PacktPublishing/Statistics-Mathematics-for-Data-Science-Data-Analytics آمار پایه، آمار توصیفی، و نظریه احتمال روش های ML، از جمله درختان تصمیم و جنگل های تصمیم را کاوش کنید توزیع احتمال نرمال و توزیع پواسون را بیاموزید آزمایش فرضیه، مقادیر p، مدیریت خطای نوع I و II را بررسی کنید بر رگرسیون لجستیک، رگرسیون خطی و درختان رگرسیون مسلط شوید یادگیری همبستگی، R-Square، RMSE، MAE، و ضریب تعیین این دوره در سطح مبتدی برای پاسخگویی به افرادی که به دنبال تسلط بر آمار و احتمالات برای علم و تجزیه و تحلیل داده ها هستند، فردی که به دنبال شغلی در علم داده است، اختصاص یافته است. ، یا متخصصان و دانشجویانی که می خواهند آمار را برای تجزیه و تحلیل داده ها درک کنند. پیش نیازهای این دوره شامل عدم نیاز به تجربه قبلی و اشتیاق و انگیزه برای یادگیری است. این دوره شما را به دانش واقعی آمار و احتمال هنگام کار با داده ها مجهز می کند * از یک متخصص ریاضی/دانشمند داده بیاموزید و تئوری و عمل تعادل را با مثال های واقعی بیاموزید * تسلط کامل بر آمار و احتمالات برای علم داده های واقعی و روش های تجزیه و تحلیل

سرفصل ها و درس ها

بیا شروع کنیم Let's Get Started

  • خوش آمدی! Welcome!

  • در این دوره چه چیزی یاد خواهید گرفت؟ What Will You Learn in This Course?

  • چگونه می توانید بیشترین بهره را از آن ببرید؟ How Can You Get the Most Out of It?

آمار توصیفی Descriptive Statistics

  • معرفی Introduction

  • منظور داشتن Mean

  • میانه Median

  • حالت Mode

  • متوسط ​​یا میانه؟ Mean or Median?

  • چولگی Skewness

  • تمرین: کجی Practice: Skewness

  • راه حل: کجی Solution: Skewness

  • محدوده و IQR Range and IQR

  • نمونه در مقابل جمعیت Sample Versus Population

  • واریانس و انحراف معیار Variance and Standard Deviation

  • تاثیر مقیاس بندی و جابجایی Impact of Scaling and Shifting

  • لحظه های آماری Statistical Moments

توزیع ها Distributions

  • توزیع چیست؟ What Is Distribution?

  • توزیع نرمال Normal Distribution

  • Z-Scores Z-Scores

  • تمرین: توزیع عادی Practice: Normal Distribution

  • راه حل: توزیع نرمال Solution: Normal Distribution

نظریه احتمال Probability Theory

  • معرفی Introduction

  • مبانی احتمال Probability Basics

  • محاسبه احتمالات ساده Calculating Simple Probabilities

  • تمرین: احتمالات ساده Practice: Simple Probabilities

  • راه حل سریع: احتمالات ساده Quick Solution: Simple Probabilities

  • راه حل تفصیلی: احتمالات ساده Detailed Solution: Simple Probabilities

  • قاعده اضافه Rule of Addition

  • تمرین: قانون جمع Practice: Rule of Addition

  • راه حل سریع: قانون جمع Quick Solution: Rule of Addition

  • راه حل تفصیلی: قانون جمع Detailed Solution: Rule of Addition

  • قانون ضرب Rule of Multiplication

  • تمرین: قانون ضرب Practice: Rule of Multiplication

  • راه حل: قانون ضرب Solution: Rule of Multiplication

  • قضیه بیز Bayes Theorem

  • قضیه بیز - مثال عملی Bayes Theorem - Practical Example

  • ارزش مورد انتظار Expected Value

  • تمرین: ارزش مورد انتظار Practice: Expected Value

  • راه حل: ارزش مورد انتظار Solution: Expected Value

  • قانون اعداد بزرگ Law of Large Numbers

  • قضیه حد مرکزی - نظریه Central Limit Theorem - Theory

  • قضیه حد مرکزی - شهود Central Limit Theorem - Intuition

  • قضیه حد مرکزی - چالش Central Limit Theorem - Challenge

  • قضیه حد مرکزی - تمرین Central Limit Theorem - Exercise

  • قضیه حد مرکزی - حل Central Limit Theorem - Solution

  • توزیع دو جمله ای Binomial Distribution

  • توزیع پواسون Poisson Distribution

  • مشکلات زندگی واقعی Real-Life Problems

آزمایش فرضیه Hypothesis Testing

  • معرفی Introduction

  • فرضیه چیست؟ What Is a Hypothesis?

  • سطح اهمیت و P-Value Significance Level and P-Value

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

  • فواصل اطمینان و حاشیه خطا Confidence Intervals and Margin of Error

  • گشت و گذار: محاسبه حجم نمونه و قدرت Excursion: Calculating Sample Size and Power

  • انجام آزمون فرضیه Performing the Hypothesis Test

  • تمرین: آزمون فرضیه Practice: Hypothesis Test

  • راه حل: آزمون فرضیه Solution: Hypothesis Test

  • آزمون t و توزیع t t-test and t-distribution

  • تست تناسب Proportion Testing

  • جفت های مهم p-z Important p-z Pairs

رگرسیون ها Regressions

  • معرفی Introduction

  • رگرسیون خطی Linear Regression

  • ضریب همبستگی Correlation Coefficient

  • تمرین: همبستگی Practice: Correlation

  • راه حل: همبستگی Solution: Correlation

  • تمرین: رگرسیون خطی Practice: Linear Regression

  • راه حل: رگرسیون خطی Solution: Linear Regression

  • باقی مانده، MSE، و MAE Residual, MSE, and MAE

  • تمرین: MSE و MAE Practice: MSE and MAE

  • راه حل: MSE و MAE Solution: MSE and MAE

  • ضریب تعیین Coefficient of Determination

  • ریشه میانگین مربعات خطا Root Mean Square Error

  • تمرین: RMSE Practice: RMSE

  • راه حل: RMSE Solution: RMSE

الگوریتم های رگرسیون پیشرفته و یادگیری ماشین Advanced Regression and Machine Learning Algorithms

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • بیش از حد برازش Overfitting

  • رگرسیون چند جمله ای Polynomial Regression

  • رگرسیون لجستیک Logistic Regression

  • درختان تصمیم Decision Trees

  • درختان رگرسیون Regression Trees

  • جنگل های تصادفی Random Forests

  • مقابله با داده های از دست رفته Dealing with Missing Data

ANOVA (تحلیل واریانس) ANOVA (Analysis of Variance)

  • ANOVA - مبانی و مفروضات ANOVA - Basics and Assumptions

  • ANOVA یک طرفه One-Way ANOVA

  • F-Distribution F-Distribution

  • ANOVA دو طرفه - مجموع مربعات Two-Way ANOVA – Sum of Squares

  • آنالیز واریانس دوطرفه - نسبت F و نتیجه گیری Two-Way ANOVA – F-Ratio and Conclusions

بسته شدن Wrap Up

  • بسته شدن Wrap Up

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش آمار و ریاضیات برای علم داده و تجزیه و تحلیل داده [ویدئو]
جزییات دوره
11 h 22 m
88
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Nikolai Schuler Nikolai Schuler

دانشمند داده و مشاور BI