آموزش ارزیابی برنامه برای علوم داده - آخرین آپدیت

دانلود Program Evaluation for Data Science

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

این دوره به شما قدرت می‌دهد تا ارزیابی برنامه (Program Evaluation) را در پروژه‌های علوم داده خود به کار بگیرید. بهترین روش‌های برخی از متدهای اصلی ارزیابی برنامه، از جمله تست A/B، تفاوت در تفاوت (Diff-in-Diff)، ناپیوستگی رگرسیون (Regression Discontinuity)، سری‌های زمانی متقاطع و روش‌های تطبیقی (Matching) را بیاموزید. در این مسیر، یاد می‌گیرید که چه زمانی تست A/B کافی یا امکان‌پذیر نیست و سپس دانش خود را برای تعیین اثرگذاری برنامه‌ها در طیف گسترده‌ای از مثال‌های کاربردی با استفاده از متدهای مختلف به کار ببندید.

این دوره شامل نقش‌آفرینی (Role Play) مبتنی بر هوش مصنوعی است که به شما اجازه می‌دهد آموخته‌های خود را در شبیه‌سازی‌های تعاملی از مکالمات دنیای واقعی پیاده‌سازی کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • فراتر رفتن از تست A/B Going beyond A/B testing

  • چه چیزهایی را باید بدانم؟ What do I need to know?

1. مقدمه‌ای بر ارزیابی برنامه 1. Introduction to Program Evaluation

  • مقدمه‌ای بر علیت (Causation) Introduction to causation

  • ارزیابی برنامه چیست؟ What is program evaluation?

  • ارزیابی در علوم داده Evaluation in data science

  • چک‌لیست ارزیابی‌ها Checklist for evaluations

2. تست A/B 2. A/B Testing

  • تمرین تست A/B Practice A/B testing

  • بررسی کیفیت تست A/B Quality checking A/B testing

  • مزایای تست A/B Advantages of A/B testing

  • کاربردهای تست A/B در علوم داده Applications for A/B testing in data science

  • مطالعات تصادفی‌شده چیستند؟ What are randomized studies?

3. فراتر از تست A/B و تصادفی‌سازی 3. Beyond A/B Testing and Randomization

  • محدودیت‌های تست A/B Limitations of A/B testing

  • جایگزین‌های تست A/B Alternatives to A/B testing

4. متدهای تطبیقی (Matching Methods) 4. Matching Methods

  • بهترین روش‌ها برای متدهای تطبیقی Best practices for matching methods

  • تمرین متدهای تطبیقی Practice matching methods

  • چه زمانی از متدهای تطبیقی استفاده کنیم؟ When to apply matching methods

  • مزایای متدهای تطبیقی Advantages of matching methods

  • تفسیر نتایج متدهای تطبیقی Interpreting results of matching methods

5. تفاوت در تفاوت (Difference in Difference) 5. Difference in Difference

  • چه زمانی از تفاوت در تفاوت استفاده کنیم؟ When to apply difference in difference

  • تفسیر نتایج تفاوت در تفاوت Interpreting results of difference in difference

  • مزایای تفاوت در تفاوت Advantages of difference in difference

  • تمرین تفاوت در تفاوت Practice difference in difference

  • بهترین روش‌ها برای تفاوت در تفاوت Best practices for difference in difference

6. ناپیوستگی رگرسیون (Regression Discontinuity) 6. Regression Discontinuity

  • تمرین ناپیوستگی رگرسیون Practice regression discontinuity

  • چه زمانی از ناپیوستگی رگرسیون استفاده کنیم؟ When to apply regression discontinuity

  • بهترین روش‌ها برای ناپیوستگی رگرسیون Best practices for regression discontinuity

  • تفسیر نتایج ناپیوستگی رگرسیون Interpreting results of regression discontinuity

  • مزایای ناپیوستگی رگرسیون Advantages of regression discontinuity

7. سری‌های زمانی متقاطع (Interrupted Time Series) 7. Interrupted Time Series

  • چه زمانی از سری‌های زمانی متقاطع استفاده کنیم؟ When to apply interrupted time series

  • بهترین روش‌ها برای سری‌های زمانی متقاطع Best practices for interrupted time series

  • مزایای سری‌های زمانی متقاطع Advantages of interrupted time series

  • تفسیر نتایج سری‌های زمانی متقاطع Interpreting results of interrupted time series

  • تمرین سری‌های زمانی متقاطع Practice interrupted time series

نتیجه‌گیری Conclusion

  • گام‌های بعدی در ارزیابی برنامه Next steps in program evaluation

نمایش نظرات

آموزش ارزیابی برنامه برای علوم داده
جزییات دوره
1h 39m
34
(آخرین آپدیت)
1,229
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Howard Friedman Howard Friedman

دانشمند ارشد داده، اقتصاددان سلامت، نویسنده، پروفسور

هاوارد فریدمن دانشمند ارشد داده، اقتصاددان سلامت، نویسنده، و استاد دانشگاه کلمبیا است.

یک متخصص در علم داده با تجربه خاص که تیم‌هایی را در بخش‌های شرکتی، دانشگاهی و عمومی رهبری می‌کند. او در مراقبت‌های بهداشتی، مالی، مخابرات، خرده‌فروشی و شرکت‌های سهام خصوصی و همچنین سازمان‌های غیرانتفاعی و بهداشت عمومی، رهبری تیم‌های تحلیلی، برقراری ارتباط با مخاطبان ارشد اجرایی و عمومی، و به اشتراک گذاشتن بینش‌های علم داده با تیم‌های فنی و غیرفنی کار کرده است. هاوارد نویسنده چندین کتاب، از جمله Winning with Data Science و Measure of a Nation، دارای دکترا در مهندسی پزشکی و کارشناسی ارشد علم در آمار از جانز هاپکینز است. دانشکده پزشکی دانشگاه.