آموزش احتمال/آمار: مبانی یادگیری ماشینی

Probability / Stats: The Foundations of Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: یادگیری دنیای واقعی کدمحور برای برنامه نویسان برای استفاده از prob/stats در همه CS، علم داده و یادگیری ماشین مفاهیم ضروری در آمار و احتمال مفاهیم مهم در موضوع مورد نیاز برای علم داده و/یا توزیع ML و اهمیت آن ها آنتروپی - پایه و اساس همه مقدمه یادگیری ماشین در استنتاج بیزی استفاده از مفاهیم از طریق کد پشتیبانی استثنایی: سوالاتی که در طول روز به آنها پاسخ داده شد. آن را امتحان کنید! پیش نیازها: دانش کدنویسی اولیه بدون نیاز به پیشینه ریاضی (فراتر از محاسبات اولیه) دوره کرش پایتون در مطالب ارائه شده است.

این روزها همه می خواهند در یادگیری ماشین و علم داده برتری داشته باشند -- و دلیل خوبی هم دارد. دیتا روغن جدید است و همه باید بتوانند با آن کار کنند. با این حال، عالی شدن در این زمینه بسیار دشوار است زیرا جدیدترین و بهترین مدل ها بسیار پیچیده به نظر می رسند. "پیچیده به نظر می رسند" -- اما اینطور نیستند! اگر درک کاملی از احتمالات و آمار داشته باشید، کار کردن با آنها بسیار بسیار ساده تر خواهد بود! و این همه چیز نیست -- احتمال تقریباً در تمام زمینه های علوم رایانه مفید است (شبیه سازی، دید، توسعه بازی، هوش مصنوعی تنها تعدادی از این موارد هستند). اگر پایه محکمی در این موضوع دارید، درهای متعددی را در مسیر شغلی به روی شما باز می کند!

هدف این دوره این است: به شما پایه‌های قوی مورد نیاز برای برتری در همه زمینه‌های علوم کامپیوتر - به‌ویژه علم داده و یادگیری ماشین را بدهد. مسئله این است که بیشتر دروس احتمال و آمار بیش از حد تئوری محور هستند. آنها بدون بحث در مورد اهمیت برنامه ها در ریاضیات درگیر می شوند. برنامه ها همیشه اهمیت ثانویه دارند.

در این دوره، ما یک رویکرد کدمحور داریم. ما تمام مفاهیم را از طریق کد اعمال می کنیم. در واقع، ما از تمام نظریه‌های بی‌فایده که به علوم کامپیوتر مرتبط نیستند (و برای کسانی که علوم خالص را دنبال می‌کنند مفید است) می‌گذریم. در عوض، ما بر مفاهیمی تمرکز می‌کنیم که برای علم داده، یادگیری ماشین و سایر زمینه‌های علوم رایانه مفیدتر هستند. به عنوان مثال، بسیاری از دوره های احتمال از استنتاج بیزی می گذرند. ما به سرعت به این مفهوم بسیار مهم می رسیم و توجه لازم را به آن می دهیم زیرا به طور گسترده به عنوان آینده تحلیل تصور می شود!

به این ترتیب، بدون پرداختن به جزئیات موضوعات کمتر مرتبط، در کمترین زمان ممکن، مهمترین مفاهیم را در این موضوع یاد می گیرید. هنگامی که شهودی در مورد چیزهای مهم ایجاد کردید، می توانید جدیدترین و بهترین مدل ها را حتی به تنهایی یاد بگیرید! به تبلیغ این دوره (و فهرست مطالب در زیر) برای موضوعاتی که خواهید آموخت و همچنین سخنرانی های پیش نمایش را نگاه کنید تا ایده ای از سبک تعاملی یادگیری داشته باشید.

به خاطر داشته باشید: دلیل پرداخت هزینه شما برای این دوره پشتیبانی است. در عرض روز جواب میدم برای اثبات آن، هر یک از بررسی های دوره من را ببینید. بنابراین مطمئن شوید که هر سوالی که دارید یا هر مشکلی که با آن روبرو هستید را پست کنید. من از همه دانش آموزانم می خواهم این دوره را تمام کنند. بیایید با هم از این موضوع عبور کنیم


سرفصل ها و درس ها

غواصی با کد Diving in with code

  • تنظیم کد env و دوره خرابی پایتون Code env setup and Python crash course

  • شروع کار با کد: احساس داده Getting started with code: Feel of data

  • مبانی، انواع داده ها و نمایش داده ها Foundations, data types and representing data

  • نکته عملی: رمزگذاری بردار تک داغ Practical note: one-hot vector encoding

  • کاوش انواع داده در کد Exploring data types in code

  • گرایش مرکزی، میانگین، میانه، حالت Central tendency, mean, median, mode

  • بخش بررسی وظایف Section Review Tasks

اقدامات گسترش Measures of Spread

  • پراکندگی و گسترش در داده ها، واریانس، انحراف معیار Dispersion and spread in data, variance, standard deviation

  • کاوش پراکندگی از طریق کد Dispersion exploration through code

  • بخش بررسی وظایف Section Review Tasks

برنامه ها و قوانین برای احتمال Applications and Rules for Probability

  • مقدمه ای بر عدم قطعیت، شهود احتمال Intro to uncertainty, probability intuition

  • شبیه سازی چرخش سکه برای احتمال Simulating coin flips for probability

  • احتمال مشروط؛ مهمترین مفهوم در آمار Conditional probability; the most important concept in stats

  • اعمال احتمال شرطی - قانون بیز Applying conditional probability - Bayes rule

  • استفاده از قانون بیز در دنیای واقعی - تشخیص هرزنامه Application of Bayes rule in real world - Spam detection

  • تشخیص هرزنامه - مشکلات پیاده سازی Spam detection - implementation issues

  • بخش بررسی وظایف Section Review Tasks

با احتساب Counting

  • قوانین شمارش (بیشتر اختیاری) Rules for counting (Mostly optional)

  • بخش بررسی وظایف Section Review Tasks

متغیرهای تصادفی - منطق و کاربردها Random Variables - Rationale and Applications

  • کمی سازی رویدادها - متغیرهای تصادفی Quantifying events - random variables

  • دو متغیر تصادفی - احتمالات مشترک Two random variables - joint probabilities

  • توزیع ها - منطق و اهمیت Distributions - rationale and importance

  • توزیع های گسسته از طریق کد Discrete distributions through code

  • توزیع های پیوسته - چگالی احتمال Continuous distributions - probability densities

  • کد توزیع مداوم Continuous distributions code

  • مطالعه موردی - تحلیل خواب، ساختار و کد Case study - sleep analysis, structure and code

  • بخش بررسی وظایف Section Review Tasks

تجسم در ساختمان شهود Visualization in Intuition Building

  • تجسم توزیع مشترک - راه موفقیت ML Visualizing joint distributions - the road to ML success

  • وابستگی و واریانس دو متغیر تصادفی Dependence and variance of two random variables

  • بخش بررسی وظایف Section Review Tasks

برنامه های کاربردی برای دنیای واقعی Applications to the Real World

  • مقادیر مورد انتظار - تصمیم گیری از طریق احتمالات Expected values - decision making through probabilities

  • آنتروپی - مهمترین کاربرد مقادیر مورد انتظار Entropy - The most important application of expected values

  • استفاده از آنتروپی - کدگذاری درختان تصمیم برای یادگیری ماشین Applying entropy - coding decision trees for machine learning

  • مبانی استنتاج بیزی Foundations of Bayesian inference

  • کد استنتاج بیزی از طریق PyMC3 Bayesian inference code through PyMC3

  • بخش بررسی وظایف Section Review Tasks

منابع اضافی Extra Resources

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

نظری ارسال نشده است.

آموزش احتمال/آمار: مبانی یادگیری ماشینی
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
6.5 hours
37
Udemy (یودمی) udemy-small
28 اسفند 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
654
4.8 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr Mohammad Nauman Dr Mohammad Nauman

کمک به شما در یادگیری مهندسی نرم افزار، سریع و آسان!

Codestars • over 2 million students worldwide! Codestars • over 2 million students worldwide!

آموزش نسل بعدی کدگذارها

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.