آموزش تسلط بر احتمالات و آمار در پایتون [ویدئو]

Mastering Probability and Statistics in Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: در دنیای تجاری فوق رقابتی امروزی، احتمالات و آمار مهمترین زمینه های تحصیلی هستند. به این دلیل که تحقیقات آماری داده‌هایی را که برای تصمیم‌گیری آگاهانه در هر زمینه کسب‌وکار نیاز دارند، به کسب‌وکارها ارائه می‌کند، خواه این تحقیقات بازار، توسعه محصول، زمان‌بندی عرضه محصول، تجزیه و تحلیل داده‌های مشتری، پیش‌بینی فروش یا عملکرد کارکنان باشد. اما چرا شما نیاز به تسلط بر احتمال و آمار در پایتون دارید؟ پاسخ این است که تسلط متخصص بر مفاهیم آمار و احتمال با علم داده به شما این امکان را می دهد که حرفه خود را به سطح بعدی ببرید. این دوره 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 به شرح زیر است: آسان برای درک رسا جامع عملی با کد نویسی زنده درباره ایجاد پیوند بین احتمال و یادگیری ماشین در پایان این دوره، شما قادر خواهید بود مفاهیم و نظریه های یادگیری ماشین را با استدلال احتمالی مرتبط کنید و با استفاده از مجموعه داده های واقعی، روش آمار و احتمالات را با علم داده درک کنید. فایل‌های کد و تمامی فایل‌های مرتبط در مخزن GitHub در https://github.com/PacktPublishing/Mastering-Probability-and-Statistics-in-Python آپلود می‌شوند. اهمیت آمار و احتمال در علم داده مبانی یادگیری ماشین و ریشه های آن در نظریه احتمال مفاهیم شروع مطلق در عمق با مثال هایی در پایتون توضیح کاربردی و کدنویسی زنده با پایتون دیدگاه احتمالی یادگیری ماشین مدرن پیاده سازی طبقه بندی کننده Bayes بر روی یک مجموعه داده واقعی این دوره برای افرادی است که می خواهند آمار و احتمال را همراه با اجرای آن در پروژه های واقع گرایانه بیاموزند. دانشمندان داده و تحلیلگران کسب و کار و کسانی که می خواهند مهارت های تجزیه و تحلیل داده های خود را ارتقا دهند نیز از این مزیت برخوردار خواهند شد. افرادی که می خواهند آمار و احتمالات را با مجموعه داده های واقعی در علم داده یاد بگیرند و علاقه زیادی به اعداد و برنامه نویسی دارند، از این دوره بیشترین بهره را خواهند برد. هیچ دانش قبلی لازم نیست. شما از اصول اولیه شروع می کنید و به تدریج دانش خود را در مورد موضوع ایجاد می کنید. درک اولیه پایتون یک امتیاز مثبت است اما اجباری نیست. توضیحات آسان و در عین حال کامل و جامع دوره * فاندامنتال، پایتونیک و یک دوره کامل تسلط بر مفاهیم مهم مورد استفاده در علم داده * عملی با کدگذاری زنده پیاده سازی مفاهیم آموخته شده به صورت تئوری

سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • معرفی مربی Introduction to the Instructor

  • تمرکز دوره Focus of the Course

احتمال و آمار Probability and Statistics

  • احتمال در مقابل آمار Probability Versus Statistics

مجموعه ها Sets

  • تعریف مجموعه Definition of Set

  • کاردینالیته یک مجموعه Cardinality of a Set

  • زیر مجموعه ها، مجموعه قدرت و مجموعه جهانی Subsets, Power Set, and Universal Set

  • زیر مجموعه های تمرین پایتون Python Practice Subsets

  • راه حل مجموعه قدرت Power Sets Solution

  • عملیات Operations

  • عملیات تمرین پایتون Python Practice Operations

  • عملیات نمودارهای ون Venn Diagrams Operations

  • مشق شب Homework

آزمایش کنید Experiment

  • آزمایش تصادفی Random Experiment

  • نتیجه و فضای نمونه Outcome and Sample Space

  • رویداد Event

  • خلاصه و تکالیف Recap and Homework

مدل احتمال Probability Model

  • مدل احتمال Probability model

  • بدیهیات احتمال Probability Axioms

  • مشتقات بدیهیات احتمال Probability Axioms Derivations

  • نمونه مدل های احتمال Probability Models Example

  • نمونه های بیشتر از مدل های احتمال More Examples of Probability Models

  • مدل های احتمال پیوسته Probability Models Continuous

  • 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 Probability Models Independence

  • مدل های احتمال استقلال شرطی Probability Models Conditional Independence

  • قانون بیز مدل های احتمالی Probability Models Bayes' Rule

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

  • مشق شب Homework

متغیرهای تصادفی Random Variables

  • معرفی Introduction

  • نمونه هایی از متغیرهای تصادفی Random Variables Examples

  • متغیرهای تصادفی برنولی Bernoulli Random Variables

  • تمرین پایتون مسیر برنولی Bernoulli Trail Python Practice

  • 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

  • مشق شب Homework

متغیرهای تصادفی پیوسته Continuous Random Variables

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

  • توابع چگالی احتمال Probability Density Functions

  • توزیع یکنواخت Uniform Distribution

  • پایتون توزیع یکنواخت Uniform Distribution Python

  • نمایی Exponential

  • پایتون نمایی Exponential Python

  • متغیرهای تصادفی گاوسی Gaussian Random Variables

  • پایتون گاوسی Gaussian Python

  • تبدیل متغیرهای تصادفی Transformation of Random Variables

  • مشق شب Homework

انتظارات Expectations

  • 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

  • طبقه بندی پروژه بیز از ابتدا Project Bayes' Classifier from Scratch

متغیرهای تصادفی چندگانه Multiple Random Variables

  • توزیع های مشترک Joint Distributions

  • 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

  • توزیع های پارامتریک Parametric Distributions

  • برآورد حداکثر احتمال (MLE) Maximum Likelihood Estimate (MLE)

  • احتمال ورود Log Likelihood

  • حداکثر تخمین پسین (MAP) Maximum A Posterior Estimate (MAP)

  • رگرسیون لجستیک Logistic Regression

  • رگرسیون ریج Ridge Regression

  • شبکه عصبی عمیق (DNN) Deep Neural Network (DNN)

مشتقات ریاضی برای عاشقان ریاضی Mathematical Derivations for Math Lovers

  • جایگشت Permutations

  • ترکیبات Combinations

  • متغیر تصادفی دو جمله ای Binomial Random Variable

  • فرمولاسیون رگرسیون لجستیک Logistic Regression Formulation

  • اشتقاق رگرسیون لجستیک Logistic Regression Derivation

نمایش نظرات

نظری ارسال نشده است.

آموزش تسلط بر احتمالات و آمار در پایتون [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
12 h 30 m
81
Packtpub packtpub-small
07 تیر 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
ندارد
دارد
دارد
AI Sciences

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

AI Sciences AI Sciences

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

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.