آموزش پیاده سازی روشهای بوت استرپ در R

Implementing Bootstrap Methods in R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره بر درک مفهومی و پیاده سازی قوی روشهای مختلف بوت استرپ در برآورد ، از جمله استفاده صحیح از بوت استرپ غیر پارامتری ، گسترش روش بوت استرپ به دنیای بیزی و غیره متمرکز است. شاید رایج ترین نوع مشکل در آمار ، تخمین برخی از خصوصیات جمعیت و همچنین تعیین میزان اعتماد به نفس شما در برآورد ما از این برآورد. در واقع ، نام این رشته ، آمار ، از کلمه آماری گرفته شده است که خاصیت یک نمونه است. با استفاده از این آمار می خواهید پارامتر را که همان ویژگی برای کل جمعیت است ، تخمین بزنید. حال اگر ملکی که می خواهید تخمین بزنید یک ملک ساده است - متوسط آن را بگویید - و اگر جمعیت دارای خصوصیات خوب و شناخته شده ای است - بگویید به طور معمول توزیع می شود - در این صورت حل این مشکل اغلب بسیار آسان است. اما اگر بخواهید یک ملک بسیار پیچیده و غریبانه از جمعیتی را که تقریباً چیزی درباره آن نمی دانید ، تخمین بزنید؟ در این دوره ، Implementing Bootstrap Methods in R ، شما یک تکنیک تقریباً جادویی معروف به روش bootstrap را کشف خواهید کرد که دقیقاً در چنین شرایطی قابل استفاده است. ابتدا یاد خواهید گرفت که روش Bootstrap چگونه کار می کند و اساساً چگونه به جمع آوری یک نمونه از جمعیت متکی است ، و سپس از آن نمونه گیری مجدداً انجام می شود - دقیقاً مثل اینکه این نمونه خود جمعیت باشد - اما مهمتر از همه ، . شما خواهید آموخت که چگونه Bootstrap یک تکنیک غیر پارامتری است که تقریباً به نظر تقلب می رسد ، اما در واقع ، هم از لحاظ نظری کاملاً مناسب است و هم از نظر عملی کاملاً مستحکم و به راحتی قابل اجرا است. در مرحله بعدی ، خواهید فهمید که چگونه تغییرات مختلف رویکرد راه انداز مشکلات خاصی را که هنگام استفاده از این روش ممکن است بوجود آید کاهش می دهد. خواهید دید که چگونه می توان بوت استرپ معمولی را به گونه ای تغییر داد که در یک رویکرد بیزی قرار بگیرد که یک قدم فراتر از دادن فواصل اطمینان کافی به ما است و در واقع برآوردهای احتمالی را به همراه دارد. همچنین خواهید دید که چگونه بوت استرپ صاف معادل استفاده از Kernel Density Estimator است و به صاف کردن نقاط بیرونی نمونه اصلی کمک می کند. سرانجام ، شما نحوه حل مشکلات رگرسیون را با استفاده از روش راه انداز بررسی خواهید کرد. شما مزایای خاص بوت استرپ را خواهید آموخت - برای مثال در محاسبه فواصل اطمینان در اطراف مربع R ، چیزی که با استفاده از روشهای متعارف معمولی انجام آن بسیار دشوار است. شما دو نوع روش راه انداز راه انداز را در زمینه رگرسیون کشف خواهید کرد - نمونه برداری مجدد مورد و نمونه برداری مجدد باقیمانده ، و فرضیات مختلف زیربنای این دو روش را درک خواهید کرد. پس از پایان این دوره ، مهارت و دانش لازم برای شناسایی شرایطی را خواهید داشت که می توان از روش راه انداز برای تخمین پارامترهای جمعیت همراه با فواصل اطمینان مناسب و همچنین اجرای الگوریتم های راه انداز بوت استرپ از نظر آماری در R استفاده کرد.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

شروع کار با Bootstrapping در R Getting Started with Bootstrapping in R

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • نمونه های آماری و فاصله اطمینان Sample Statistics and Confidence Intervals

  • داده های توزیع شده معمول: تخمین میانگین Normally Distributed Data: Estimating Mean

  • داده های توزیع شده معمول: محاسبه فاصله اطمینان Normally Distributed Data: Calculating Confidence Intervals

  • داده هایی با هر توزیع: تخمین فاصله های میانگین و اطمینان Data with Any Distribution: Estimating Mean and Confidence Intervals

  • مفاهیم قضیه حد مرکزی Implications of the Central Limit Theorem

  • نسخه ی نمایشی: قضیه حد مرکزی با توزیع های مختلف Demo: The Central Limit Theorem with Different Distributions

  • نسخه ی نمایشی: قضیه حد مرکزی اطلاعات واقعی Demo: The Central Limit Theorem on Real Data

  • اشکال رویکردهای مرسوم Drawbacks of Conventional Approaches

  • معرفی Bootstrapping Introducing Bootstrapping

  • فاصله اطمینان Bootstrapped Bootstrapped Confidence Intervals

پیاده سازی روشهای بوت استرپ برای آمار خلاصه Implementing Bootstrap Methods for Summary Statistics

  • نسخه ی نمایشی: آمار بوت استرپ و آمار نمونه Demo: Bootstrap Statistics and Sample Statistics

  • نسخه ی نمایشی: انجام Bootstrapping بر روی داده های واقعی Demo: Performing Bootstrapping on Real Data

  • نسخه ی نمایشی: اجرای Bootstrapping با استفاده از روش Boot Demo: Performing Bootstrapping Using the Boot Method

  • نسخه ی نمایشی: چند بوت استرپینگ Demo: Bootstrapping Multiple Statistics

  • معرفی بوت استرپ بیزی Introducing the Bayesian Bootstrap

  • الگوریتم بوت استرپ بیزی Bayesian Bootstrap Algorithm

  • نسخه ی نمایشی: اجرای بوت استرپینگ بیزی Demo: Performing Bayesian Bootstrapping

  • معرفی Smoothed Bootstrap Introducing the Smoothed Bootstrap

  • نسخه ی نمایشی: بوت استرپ صاف شده Demo: Smoothed Bootstrap

پیاده سازی روشهای بوت استرپ برای مدلهای رگرسیون Implementing Bootstrap Methods for Regression Models

  • معرفی رگرسیون خطی Introducing Linear Regression

  • معیارهای رگرسیون و بوت استرپینگ Regression Metrics and Bootstrapping

  • نمونه گیری مجدد مورد و نمونه برداری مجدد Case Resampling and Residual Resampling

  • نسخه ی نمایشی: تخمین R2 مدل های رگرسیون با استفاده از بوت استرپینگ Demo: Estimating R2 of Regression Models Using Bootstrapping

  • نسخه ی نمایشی: تخمین ضرایب با استفاده از بوت استرپینگ Demo: Estimating Coefficients Using Bootstrapping

  • نسخه ی نمایشی: نمونه گیری مجدد مورد و نمونه برداری مجدد با استفاده از روش Boot () Demo: Case Resampling and Residual Resampling Using the Boot() Method

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.

آموزش پیاده سازی روشهای بوت استرپ در R
جزییات دوره
2h 10m
28
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.