آموزش تسلط بر احتمالات و آمار پایتون (نظریه و پروژه ها)

Mastering Probability & Statistic Python (Theory & Projects)

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Statistic & Probability for Machine Learning & Data Science: Learning Statistics, Probability & Bayes Classifier, Python اهمیت آمار و احتمال در علم داده. مبانی یادگیری ماشین و ریشه های آن در نظریه احتمال مفاهیم مهم از ابتدا مطلق با آشکار شدن جامع با مثال هایی در پایتون. توضیح کاربردی و کدنویسی زنده با پایتون. دیدگاه احتمالی یادگیری ماشین مدرن پیاده سازی طبقه بندی کننده بیز (مدل یادگیری ماشینی) بر روی یک مجموعه داده واقعی با مفاهیم اولیه و ساده احتمال و آمار. پیش نیازها: بدون نیاز به دانش قبلی. شما از پایه شروع می کنید و به تدریج دانش خود را در این موضوع ایجاد می کنید. تمایل به یادگیری و تمرین. درک اولیه پایتون یک مزیت خواهد بود.

در دنیای تجاری فوق رقابتی امروزی، احتمالات و آمار مهمترین زمینه های تحصیلی هستند. به این دلیل که تحقیقات آماری به کسب و کارها داده هایی را ارائه می دهد که برای تصمیم گیری آگاهانه در هر زمینه کسب و کار نیاز دارند، خواه تحقیقات بازار، توسعه محصول، زمان عرضه محصول، تجزیه و تحلیل داده های مشتری، پیش بینی فروش یا عملکرد کارکنان باشد.

اما چرا باید بر احتمالات و آمار در پایتون مسلط باشید؟

پاسخ این است که تسلط متخصص بر مفاهیم آمار و احتمال با علم داده به شما امکان می‌دهد تا حرفه خود را به سطح بعدی ببرید.

دوره "تسلط بر احتمال و آمار در پایتون" با دقت طراحی شده است تا منعکس کننده ترین مهارت هایی باشد که به شما در درک مفاهیم و روش شناسی در رابطه با پایتون کمک می کند. دوره این است:

  • درک آسان.

  • بیان.

  • جامع.

  • عملی با کدنویسی زنده.

  • درباره ایجاد پیوند بین احتمالات و یادگیری ماشین.


این دوره چه تفاوتی دارد؟

این دوره برای مبتدیان طراحی شده است، اگرچه ما به تدریج عمیق تر خواهیم شد.

از آنجایی که این دوره تلفیقی از تمام اصول اولیه است، شما را تشویق می کند که به جلو حرکت کنید و بیش از آنچه آموخته اید تجربه کنید. در پایان هر ماژول، روی Home Work/Tasks کار خواهید کرد که یادگیری شما را بر اساس مفاهیم و روش‌های قبلی ارزیابی می‌کند.

یادگیری ماشین مطمئناً حرفه ای پربار است که نه تنها به شما امکان می دهد برخی از جالب ترین مشکلات را حل کنید، بلکه یک بسته حقوقی زیبا به شما ارائه می دهد. اگر رشد شغلی موفقیت آمیز هدف اصلی شما باشد، درک اصلی آمار و احتمالات با علم داده این را تضمین می کند.

این دوره ارزان و جامع مفاهیم و روش شناسی آمار و احتمالات با علم داده را با کسری از قیمتی که دوره های مشابه برای شما هزینه می کنند به شما آموزش می دهد. آموزش های ما به بیش از 75 ویدیوی کوتاه همراه با دفترچه یادداشت کد دقیق تقسیم شده است. ویدیوها با کیفیت HD در دسترس هستند.

بنابراین، بدون تاخیر بیشتر، محتوای دوره را شروع کنید و خود را با جدیدترین دانشی که تقاضای زیادی دارد، تجهیز کنید. به ویدیو گوش دهید، آن را مکث کنید، مفهوم را درک کنید و شروع به کار روی مشکلات تعیین شده کنید.


آموزش علاقه ماست:

ما سخت کار می کنیم تا یادگیری را برای شما آسان کنیم. آموزش های آنلاین ما با بهترین راهنمای ممکن ایجاد شده اند تا به شما در درک آنی مفاهیم کمک کنند. هدف ما ایجاد یک درک اساسی قوی برای شما قبل از اینکه به سمت نسخه پیشرفته بروید. محتوای ویدیویی با کیفیت بالا، مرتبط‌ترین و جدیدترین مطالب دوره، سؤالاتی برای ارزیابی اینکه آیا مفاهیم جدید را به طور کامل یاد گرفته‌اید، یادداشت‌های دوره و جزوه‌ها برخی از امتیازاتی هستند که به دست خواهید آورد. همچنین، تیم ما به سرعت به تمام سوالات شما پاسخ خواهد داد.


محتوای دوره:

دوره جامع شامل موضوعات زیر است:

● تفاوت بین احتمال و آمار.

● نظریه مجموعه ها

  1. مجموعه های قابل شمارش و غیرقابل شمارش

  2. پارتیشن‌ها

  3. عملیات

  4. تنظیمات در پایتون

● آزمایش تصادفی

  1. نتیجه

  2. رویداد

  3. فضاهای نمونه

● مدل احتمال

  1. از رویداد تا احتمال

  2. قوانین احتمال (اصولات)

  3. احتمال مشروط

  4. استقلال

  5. مدل های پیوسته

● متغیرهای تصادفی گسسته

  1. از رویداد تا متغیرها

  2. توابع جرم احتمال

  3. متغیرهای تصادفی گسسته مهم

  4. تبدیل متغیرهای تصادفی

● متغیرهای تصادفی پیوسته

  1. توابع چگالی احتمال

  2. توزیع نمایی

  3. توزیع گاوسی

● متغیرهای تصادفی چندگانه

  1. PMF مشترک

  2. PDF مشترک

  3. متغیرهای تصادفی مختلط

  4. متغیرهای تصادفی در مجموعه داده های واقعی

  5. استقلال مشروط

  6. طبقه بندی

  7. دسته بندی کننده Bayes

  8. دسته بندی کننده ساده بیز

  9. رگرسیون

  10. آموزش شبکه های عصبی عمیق

● انتظارات

  1. میانگین، میانگین نمونه

  2. قانون اعداد بزرگ

  3. انتظار متغیر تصادفی تبدیل شده

  4. واریانس

  5. لحظه ها

  6. تخمین پارامتریک با استفاده از قانون اعداد بزرگ

● برآورد

  1. برآورد حداکثر احتمال (MLE)

  2. حداکثر تخمین احتمال پسینی (MAP)

  3. رگرسیون ریج

  4. رگرسیون لجستیک

  5. KL-Divergence


پس از اتمام موفقیت آمیز این دوره، شما قادر خواهید بود:

  • مفاهیم و نظریه‌های یادگیری ماشین را با استدلال احتمالی مرتبط کنید.

  • روش شناسی آمار و احتمالات را با علم داده با استفاده از مجموعه داده های واقعی درک کنید.

این دوره برای چه کسانی است:

  • افرادی که می خواهند داده های خود را ارتقا دهند صحبت می کنند.

  • افرادی که می خواهند آمار و احتمالات را با مجموعه داده های واقعی در علم داده یاد بگیرند.

  • افرادی که به اعداد و برنامه نویسی علاقه دارند.

  • افرادی که می خواهند آمار و احتمالات را همراه با اجرای آن در پروژه های واقع بینانه بیاموزند.

  • دانشمندان داده.

  • تحلیلگران کسب و کار.

به یاد داشته باشید، این دوره با 30 روز ضمانت بازگشت وجه ارائه می شود، بنابراین می توانید امروز بدون هیچ خطری ثبت نام کنید. پس برای چی منتظری؟ برای تسلط بر احتمالات و آمار امروز ثبت نام کنید.


سرفصل ها و درس ها

مقدمه دوره Introduction to Course

  • مقدمه ای بر مربی و علوم AIS Introduction to Instructor and AISciences

  • معرفی به مربی Introduction To Instructor

  • تمرکز دوره Focus of the Course

  • درخواست بررسی صادقانه شما Request for Your Honest Review

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

احتمال در مقابل آمار Probability vs Statistics

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • احتمال در مقابل آمار Probability vs Statistics

مجموعه ها Sets

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • تعریف مجموعه Definition of Set

  • کاردینالیته یک مجموعه Cardinality of a Set

  • زیر مجموعه ها PowerSet UniversalSet Subsets PowerSet UniversalSet

  • زیر مجموعه های تمرین پایتون Python Practice Subsets

  • راه حل PowerSets PowerSets Solution

  • عملیات Operations

  • تمرین عملیات 01 Operations Exercise 01

  • راه حل عملیات 01 Operations Solution 01

  • تمرین عملیات 02 Operations Exercise 02

  • راه حل عملیات 02 Operations Solution 02

  • تمرین عملیات 03 Operations Exercise 03

  • راه حل عملیات 03 Operations Solution 03

  • عملیات تمرین پایتون Python Practice Operations

  • عملیات VennDiagrams VennDiagrams Operations

  • مشق شب Homework

آزمایش کنید Experiment

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • آزمایش تصادفی Random Experiment

  • نتیجه و فضای نمونه Outcome and Sample Space

  • نتیجه و نمونه تمرین فضایی 01 Outcome and Sample Space Exercise 01

  • نتیجه و نمونه راه حل فضایی 01 Outcome and Sample Space Solution 01

  • رویداد Event

  • رویداد تمرین 01 Event Exercise 01

  • راه حل رویداد 01 Event Solution 01

  • رویداد تمرین 02 Event Exercise 02

  • راه حل رویداد 02 Event Solution 02

  • خلاصه و تکالیف Recap and Homework

مدل احتمال Probability Model

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • مدل احتمال Probability Model

  • بدیهیات احتمال Probability Axioms

  • مشتقات بدیهیات احتمال Probability Axioms Derivations

  • تمرین مشتقات بدیهیات احتمال 01 Probability Axioms Derivations Exercise 01

  • راه حل مشتقات بدیهیات احتمال 01 Probability Axioms Derivations Solution 01

  • نمونه مدل های احتمال Probablility Models Example

  • مدل های احتمال نمونه های بیشتر Probablility Models More Examples

  • مدل های احتمال پیوسته Probablility Models Continous

  • احتمال شرطی Conditional Probability

  • مثال احتمال شرطی Conditional Probability Example

  • فرمول احتمال شرطی Conditional Probability Formula

  • احتمال شرطی در یادگیری ماشینی Conditional Probability in Machine Learning

  • احتمال شرطی قضیه احتمال کل Conditional Probability Total Probability Theorem

  • مدل های احتمال استقلال Probablility Models Independence

  • مدل های احتمال استقلال شرطی Probablility Models Conditional Independence

  • تمرین استقلال شرطی مدلهای احتمال 01 Probablility Models Conditional Independence Exercise 01

  • مدل های احتمالی راه حل استقلال شرطی 01 Probablility Models Conditional Independence Solution 01

  • مدل های احتمال BayesRule Probablility Models BayesRule

  • مدل‌های احتمال نسبت به متغیرهای تصادفی Probablility Models towards Random Variables

  • مشق شب HomeWork

متغیرهای تصادفی Random Variables

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • معرفی Introduction

  • نمونه هایی از متغیرهای تصادفی Random Variables Examples

  • متغیرهای تصادفی مثال‌هایی از تمرین 01 Random Variables Examples Exercise 01

  • متغیرهای تصادفی مثال‌هایی راه‌حل 01 Random Variables Examples Solution 01

  • متغیرهای تصادفی برنولی Bernulli Random Variables

  • تمرین پایتون مسیر برنولی Bernulli Trail Python Practice

  • تمرین تمرین پایتون مسیر برنولی 01 Bernulli Trail Python Practice Exercise 01

  • راه حل تمرین پایتون مسیر برنولی 01 Bernulli Trail Python Practice Solution 01

  • متغیر تصادفی هندسی Geometric Random Variable

  • اثبات عادی سازی متغیر تصادفی هندسی اختیاری است Geometric Random Variable Normalization Proof Optional

  • تمرین پایتون متغیر تصادفی هندسی Geometric Random Variable Python Practice

  • متغیرهای تصادفی دو جمله ای Binomial Random Variables

  • تمرین پایتون دو جمله ای Binomial Python Practice

  • متغیرهای تصادفی در مجموعه داده های واقعی Random Variables in Real DataSets

  • متغیرهای تصادفی در مجموعه داده های واقعی تمرین 01 Random Variables in Real DataSets Exercise 01

  • متغیرهای تصادفی در مجموعه داده های واقعی راه حل 01 Random Variables in Real DataSets Solution 01

  • مشق شب Homework

متغیرهای تصادفی پیوسته Continous Random Variables

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • احتمال صفر به ارزش های فردی Zero Probability to Individual Values

  • تمرین 01 احتمال صفر به ارزش های فردی Zero Probability to Individual Values Exercise 01

  • راه حل 01 احتمال صفر به ارزش های فردی Zero Probability to Individual Values Solution 01

  • توابع چگالی احتمال Probability Density Functions

  • تمرین توابع چگالی احتمال 01 Probability Density Functions Exercise 01

  • راه حل توابع چگالی احتمال 01 Probability Density Functions Solution 01

  • توزیع یکنواخت Uniform Distribution

  • تمرین توزیع یکنواخت 01 Uniform Distribution Exercise 01

  • راه حل توزیع یکنواخت 01 Uniform Distribution Solution 01

  • پایتون توزیع یکنواخت Uniform Distribution Python

  • نمایی Exponential

  • تمرین نمایی 01 Exponential Exercise 01

  • راه حل نمایی 01 Exponential Solution 01

  • پایتون نمایی Exponential Python

  • متغیرهای تصادفی گاوسی Gaussian Random Variables

  • متغیرهای تصادفی گاوسی تمرین 01 Gaussian Random Variables Exercise 01

  • حل متغیرهای تصادفی گاوسی 01 Gaussian Random Variables Solution 01

  • پایتون گاوسی Gaussian Python

  • تبدیل متغیرهای تصادفی Transformation of Random Variables

  • مشق شب Homework

انتظارات Expectations

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • تعریف Definition

  • میانگین نمونه Sample Mean

  • قانون اعداد بزرگ Law of Large Numbers

  • قانون اعداد بزرگ توزیع های معروف Law of Large Numbers Famous Distributions

  • قانون اعداد بزرگ، توزیع های معروف پایتون Law of Large Numbers Famous Distributions Python

  • واریانس Variance

  • مشق شب Homework

طبقه بندی پروژه بیز Project Bayes Classifier

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • Project Bayes Classifier از ابتدا Project Bayes Classifier From Scratch

متغیرهای تصادفی چندگانه Multiple Random Variables

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • توزیع های مشترک Joint Distributions

  • تمرین توزیع مشترک 01 Joint Distributions Exercise 01

  • راه حل توزیع مشترک 01 Joint Distributions Solution 01

  • تمرین توزیع مشترک 02 Joint Distributions Exercise 02

  • راه حل توزیع مشترک 02 Joint Distributions Solution 02

  • تمرین توزیع مشترک 03 Joint Distributions Exercise 03

  • راه حل توزیع مشترک 03 Joint Distributions Solution 03

  • گاوسی چند متغیره Multivariate Gaussian

  • شرطی کردن استقلال Conditioning Independence

  • طبقه بندی Classification

  • طبقه بندی ساده بیز Naive Bayes Classification

  • پسرفت Regression

  • نفرین ابعاد Curse of Dimensionality

  • مشق شب Homework

تخمین اختیاری Optional Estimation

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • توزیع های پارامتریک Parametric Distributions

  • MLE MLE

  • LogLiklihood LogLiklihood

  • نقشه MAP

  • رگرسیون لجستیک Logistic Regression

  • رگرسیون ریج Ridge Regression

  • DNN DNN

مشتقات ریاضی برای عاشقان ریاضی (اختیاری) Mathematical Derivations for Math Lovers (Optional)

  • برای دریافت نوت بوک پایتون به Github پیوند دهید Link to Github to get the Python Notebooks

  • جایگشت Permutations

  • ترکیبات Combinations

  • متغیر تصادفی دو جمله ای Binomial Random Variable

  • فرمولاسیون رگرسیون لجستیک Logistic Regression Formulation

  • اشتقاق رگرسیون لجستیک Logistic Regression Derivation

  • با تشکر از شما ویدیو جایزه THANK YOU Bonus Video

نمایش نظرات

آموزش تسلط بر احتمالات و آمار پایتون (نظریه و پروژه ها)
جزییات دوره
14 hours
134
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
788
3.8 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

AI Sciences AI Sciences

کارشناسان هوش مصنوعی و دانشمندان داده | رتبه ۴+ | 168+ کشور

AI Sciences Team AI Sciences Team

پشتیبانی از تیم علوم هوش مصنوعی