آموزش تسلط بر احتمالات و آمار با پایتون (تئوری و پروژه ها) - آخرین آپدیت

دانلود Mastering Probability & Statistic Python (Theory & Projects)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آمار و احتمال برای یادگیری ماشین و علم داده با پایتون: آموزش جامع و کاربردی

آیا به دنبال یادگیری آمار و احتمال برای پیشرفت در یادگیری ماشین (Machine Learning) و علم داده (Data Science) هستید؟ این دوره جامع با پایتون (Python)، شما را از مفاهیم پایه تا کاربردهای پیشرفته هدایت می‌کند.

اهمیت آمار و احتمال در علم داده:

آمار و احتمال، ستون فقرات علم داده و یادگیری ماشین هستند. این مفاهیم به شما کمک می‌کنند تا الگوها را در داده‌ها شناسایی کنید، پیش‌بینی‌های دقیقی انجام دهید و تصمیمات آگاهانه‌تری بگیرید. در این دوره، با اهمیت این دو مفهوم کلیدی آشنا خواهید شد.

مقدمه‌ای بر یادگیری ماشین با تکیه بر نظریه احتمال:

ریشه‌های یادگیری ماشین در نظریه احتمال نهفته است. ما به شما نشان خواهیم داد که چگونه مفاهیم احتمالی، زیربنای الگوریتم‌های یادگیری ماشین را تشکیل می‌دهند.

مفاهیم کلیدی آمار و احتمال با مثال‌های عملی پایتون:

این دوره، مفاهیم کلیدی آمار و احتمال را از ابتدا و با زبانی ساده توضیح می‌دهد. همراه با مثال‌های عملی پایتون، درک عمیقی از این مفاهیم به دست خواهید آورد.

آموزش عملی و کدنویسی زنده با پایتون:

ما فقط به تئوری بسنده نمی‌کنیم. در این دوره، آموزش‌های عملی و کدنویسی زنده با پایتون را تجربه خواهید کرد. با این روش، می‌توانید مفاهیم را در عمل به کار ببرید و مهارت‌های خود را تقویت کنید.

نگاه احتمالی به یادگیری ماشین مدرن:

این دوره، یک نگاه احتمالی به یادگیری ماشین مدرن ارائه می‌دهد. شما خواهید آموخت که چگونه مدل‌های یادگیری ماشین، با استفاده از مفاهیم احتمالی، داده‌ها را تحلیل می‌کنند و پیش‌بینی‌ها را انجام می‌دهند.

پیاده‌سازی طبقه‌بند بیز (Bayes Classifier) با پایتون:

در این دوره، با استفاده از مفاهیم پایه آمار و احتمال، یک مدل طبقه‌بند بیز (Bayes Classifier) را بر روی یک مجموعه داده واقعی پیاده‌سازی خواهید کرد. این تمرین عملی، درک شما را از کاربردهای یادگیری ماشین در دنیای واقعی افزایش می‌دهد.

پیش‌نیازها:

  • بدون نیاز به دانش قبلی! شما از اصول اولیه شروع می‌کنید و به تدریج دانش خود را در این زمینه افزایش می‌دهید.
  • اشتیاق به یادگیری و تمرین.
  • آشنایی ابتدایی با پایتون یک مزیت محسوب می‌شود.

مزایای این دوره:

  • آموزش جامع: پوشش کامل مفاهیم از پایه تا پیشرفته
  • مثال‌های عملی: استفاده از مثال‌های واقعی برای درک بهتر مفاهیم
  • کدنویسی زنده: آموزش با کدنویسی زنده با پایتون
  • پشتیبانی فعال: پاسخگویی به سوالات و رفع اشکالات

سرفصل‌های کلیدی دوره:

  • مبانی آمار و احتمال
  • متغیرهای تصادفی و توزیع‌های احتمال
  • تخمین پارامتر و آزمون فرض
  • رگرسیون و طبقه‌بندی
  • یادگیری ماشین با پایتون

این دوره برای چه کسانی مناسب است؟

  • دانشجویان و فارغ‌التحصیلان رشته‌های مهندسی، علوم پایه و آمار
  • افرادی که به دنبال ورود به حوزه علم داده و یادگیری ماشین هستند
  • تحلیلگران داده و متخصصان کسب و کار

با شرکت در این دوره، شما قادر خواهید بود:

  • مفاهیم آمار و احتمال را در مسائل علم داده و یادگیری ماشین به کار ببرید.
  • مدل‌های یادگیری ماشین را با استفاده از پایتون پیاده‌سازی کنید.
  • به یک تحلیلگر داده حرفه‌ای تبدیل شوید.

همین حالا در دوره آمار و احتمال برای یادگیری ماشین و علم داده با پایتون ثبت‌نام کنید و گامی بزرگ در جهت پیشرفت شغلی خود بردارید!


سرفصل ها و درس ها

مقدمه ای بر دوره Introduction to Course

  • معرفی مدرس و AISciences Introduction to Instructor and AISciences

  • معرفی مدرس Introduction To Instructor

  • تمرکز دوره Focus of the Course

  • درخواست برای نظر صادقانه شما Request for Your Honest Review

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

احتمال در مقابل آمار Probability vs Statistics

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • احتمال در مقابل آمار Probability vs Statistics

مجموعه‌ها Sets

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • تعریف مجموعه Definition of Set

  • عدد اصلی یک مجموعه Cardinality of a Set

  • زیر مجموعه ها مجموعه توانی مجموعه جهانی Subsets PowerSet UniversalSet

  • تمرین پایتون زیر مجموعه ها Python Practice Subsets

  • راه حل مجموعه توانی 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

  • تمرین پایتون عملیات Python Practice Operations

  • نمودارهای ون عملیات VennDiagrams Operations

  • تکلیف Homework

آزمایش Experiment

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • آزمایش تصادفی Random Experiment

  • نتیجه و فضای نمونه Outcome and Sample Space

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

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

  • رویداد Event

  • تمرین رویداد 01 Event Exercise 01

  • راه حل رویداد 01 Event Solution 01

  • تمرین رویداد 02 Event Exercise 02

  • راه حل رویداد 02 Event Solution 02

  • مرور و تکلیف Recap and Homework

مدل احتمال Probability Model

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • مدل احتمال Probability Model

  • اصول موضوعه احتمال Probability Axioms

  • مشتقات اصول موضوعه احتمال Probability Axioms Derivations

  • تمرین مشتقات اصول موضوعه احتمال 01 Probability Axioms Derivations Exercise 01

  • راه حل مشتقات اصول موضوعه احتمال 01 Probability Axioms Derivations Solution 01

  • مثال های مدل احتمالی Probablility Models Example

  • مثال های بیشتر مدل های احتمالی Probablility Models More Examples

  • مدل های احتمالی پیوسته Probablility Models Continous

  • احتمال شرطی Conditional Probability

  • مثال احتمال شرطی Conditional Probability Example

  • فرمول احتمال شرطی Conditional Probability Formula

  • احتمال شرطی در یادگیری ماشین Conditional Probability in Machine Learning

  • قضیه احتمال کل احتمال شرطی Conditional Probability Total Probability Theorem

  • استقلال مدل های احتمالی Probablility Models Independence

  • استقلال شرطی مدل های احتمالی Probablility Models Conditional Independence

  • تمرین استقلال شرطی مدل های احتمالی 01 Probablility Models Conditional Independence Exercise 01

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

  • قاعده بیز مدل های احتمالی Probablility Models BayesRule

  • مدل های احتمالی به سمت متغیرهای تصادفی Probablility Models towards Random Variables

  • تکلیف HomeWork

متغیرهای تصادفی Random Variables

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • مقدمه Introduction

  • مثال های متغیرهای تصادفی Random Variables Examples

  • تمرین مثال های متغیرهای تصادفی 01 Random Variables Examples Exercise 01

  • راه حل مثال های متغیرهای تصادفی 01 Random Variables Examples Solution 01

  • متغیرهای تصادفی برنولی Bernulli Random Variables

  • تمرین پایتون دنباله برنولی Bernulli Trail Python Practice

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

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

  • متغیر تصادفی هندسی Geometric Random Variable

  • اثبات نرمال سازی متغیر تصادفی هندسی (اختیاری) Geometric Random Variable Normalization Proof Optional

  • تمرین پایتون متغیر تصادفی هندسی Geometric Random Variable Python Practice

  • متغیرهای تصادفی دوجمله‌ای Binomial Random Variables

  • تمرین پایتون دوجمله‌ای Binomial Python Practice

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

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

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

  • تکلیف Homework

متغیرهای تصادفی پیوسته Continous Random Variables

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • احتمال صفر برای مقادیر فردی Zero Probability to Individual Values

  • تمرین احتمال صفر برای مقادیر فردی 01 Zero Probability to Individual Values Exercise 01

  • راه حل احتمال صفر برای مقادیر فردی 01 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

  • تمرین متغیرهای تصادفی گاوسی 01 Gaussian Random Variables Exercise 01

  • راه حل متغیرهای تصادفی گاوسی 01 Gaussian Random Variables Solution 01

  • پایتون گاوسی Gaussian Python

  • تبدیل متغیرهای تصادفی Transformation of Random Variables

  • تکلیف Homework

امید ریاضی Expectations

  • لینک به Github برای دریافت Python Notebooks 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

  • تکلیف Homework

پروژه طبقه بندی کننده بیز Project Bayes Classifier

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • پروژه طبقه بندی کننده بیز از ابتدا Project Bayes Classifier From Scratch

چند متغیر تصادفی Multiple Random Variables

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • توزیع های توام Joint Distributions

  • تمرین توزیع های توام 01 Joint Distributions Exercise 01

  • راه حل توزیع های توام 01 Joint Distributions Solution 01

  • تمرین توزیع های توام 02 Joint Distributions Exercise 02

  • راه حل توزیع های توام 02 Joint Distributions Solution 02

  • تمرین توزیع های توام 03 Joint Distributions Exercise 03

  • راه حل توزیع های توام 03 Joint Distributions Solution 03

  • گاوسی چند متغیره Multivariate Gaussian

  • استقلال شرطی سازی Conditioning Independence

  • طبقه بندی Classification

  • طبقه بندی بیز ساده Naive Bayes Classification

  • رگرسیون Regression

  • نفرین ابعاد Curse of Dimensionality

  • تکلیف Homework

تخمین اختیاری Optional Estimation

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • توزیع های پارامتری Parametric Distributions

  • MLE MLE

  • LogLiklihood LogLiklihood

  • MAP MAP

  • رگرسیون لجستیک Logistic Regression

  • رگرسیون Ridge Ridge Regression

  • DNN DNN

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

  • لینک به Github برای دریافت Python Notebooks Link to Github to get the Python Notebooks

  • جایگشت ها Permutations

  • ترکیب ها Combinations

  • متغیر تصادفی دوجمله‌ای Binomial Random Variable

  • فرمول رگرسیون لجستیک Logistic Regression Formulation

  • مشتق رگرسیون لجستیک Logistic Regression Derivation

  • متشکرم – ویدیو جایزه THANK YOU Bonus Video

نمایش نظرات

آموزش تسلط بر احتمالات و آمار با پایتون (تئوری و پروژه ها)
جزییات دوره
14 hours
134
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,488
4 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

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

Sajjad Mustafa Sajjad Mustafa

مدرس