آموزش طراحی آزمایش و استنباط علی در R - آخرین آپدیت

دانلود Experimental Design and Causal Inference in R

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: رسیدن به نتایج علی قابل اعتماد همچنان یکی از بزرگترین چالش‌های علم داده است، جایی که متغیرهای مخدوش‌کننده و سوگیری در انتخاب می‌توانند منجر به تفسیرهای نادرست شوند. در این دوره، «طراحی آزمایش و استنباط علی در R»، شما توانایی فراتر رفتن از همبستگی و ایجاد روابط علی واقعی در داده‌های خود را به دست خواهید آورد. در ابتدا، مبانی طراحی آزمایش، از جمله کارآزمایی‌های تصادفی کنترل‌شده و متدولوژی‌های تست A/B را بررسی خواهید کرد. سپس، تکنیک‌های مدیریت داده‌های مشاهده‌ای را برای زمانی که تصادفی‌سازی امکان‌پذیر نیست، از جمله روش تفاضل در تفاضل (DiD) و تطبیق نمره تمایل (PSM) فرا می‌گیرید. در نهایت، نحوه اجرای رویکردهای متغیر ابزاری (IV) برای رفع مشکلات درون‌زایی در سناریوهای پیچیده دنیای واقعی را خواهید آموخت. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه استنباط علی را برای طراحی آزمایش‌های دقیق و استخراج نتایج علی قابل اعتماد از داده‌های آزمایشگاهی و مشاهده‌ای کسب خواهید کرد.

سرفصل ها و درس ها

از همبستگی تا علیت: تسلط بر طراحی آزمایش From Correlation to Causation: Mastering Experimental Design

  • رمزگشایی از کد علیت: گراف‌های جهت‌دار (DAGs) در عمل Cracking the Causality Code DAGs in Action

  • استاندارد طلایی: ساخت آزمایش‌های ضدضربه The Gold Standard Building Bulletproof Experiments

  • بازی قدرت: تعیین اندازه نمونه در تست‌های A/B برای موفقیت Power Play Sizing Your A/B Tests for Success

  • فراتر از P-Value: تفسیر نتایج تست A/B مانند یک حرفه‌ای Beyond P Values Interpreting A/B Test Results Like a Pro

فراتر از تصادفی‌سازی: استنباط علی پیشرفته در دنیای واقعی Beyond Randomization: Advanced Causal Inference in the Wild

  • سفر در زمان با داده‌ها: رمز و راز روش تفاضل در تفاضل (DiD) Time Traveling with Data the DiD Magic Revealed

  • جهان‌های موازی: کدنویسی مدل‌های DiD در R Parallel Universes Coding DiD Models in R

  • بازی تطبیق: مبارزه با سوگیری انتخاب با روش PSM The Matching Game Fighting Selection Bias with PSM

  • تعادل برقرار کردن: تسلط بر PSM در R The Balancing Act Mastering PSM in R

  • راهکار ابزاری: شکستن طلسم درون‌زایی The Instrumental Solution Breaking the Endogeneity Curse

  • جادوی دو مرحله‌ای: پیاده‌سازی تحلیل IV در R Two Stage Magic Implementing IV Analysis in R

نمایش نظرات

آموزش طراحی آزمایش و استنباط علی در R
جزییات دوره
31m
10
(آخرین آپدیت)
1
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

Goran Trajkovski Goran Trajkovski

دکتر گوران تراژکوفسکی دارای بیش از ۳۰ سال تجربه در زمینه‌های هوش مصنوعی، علم داده و طراحی یادگیری است و بر استراتژی‌های یادگیرنده-محور و تغییرات سازمانی تمرکز دارد. او بیش از ۳۵ برنامه آکادمیک و ۳۵۰ دوره آموزشی طراحی کرده، یک آزمایشگاه رباتیک با حمایت NSF تأسیس نموده و در استارتاپ‌های دانشگاهی و طرح‌های گواهینامه‌های خرد مشارکت داشته است. او به عنوان پژوهشگر فولبرایت، در محیط‌های آموزشی و صنعتی فعالیت کرده و هوش مصنوعی را با یادگیری و تصمیم‌گیری‌های داده‌محور ادغام نموده است. وی مناصب مدیریتی متعددی را در موسسات آکادمیک و محیط‌های شرکتی برای نظارت بر نوآوری در برنامه درسی، اعتباربخشی و طراحی آموزشی داشته است. تخصص او شامل حاکمیت هوش مصنوعی، تحلیل‌های یادگیری و توسعه برنامه با تمرکز ویژه بر مربیگری، تحقیق و نقش تکاملی هوش مصنوعی در آموزش و توسعه نیروی کار است. او کتاب‌ها و مقالاتی در زمینه AI و یادگیری تالیف کرده، در همکاری‌های پژوهشی بین‌المللی مشارکت داشته و به طور منظم در کنفرانس‌هایی درباره اخلاق در هوش مصنوعی، تحول دیجیتال و ارتقای مهارت‌های نیروی کار سخنرانی می‌کند. او با اشتیاق به پر کردن شکاف بین تکنولوژی و آموزش، به شکل دادن به آینده راهکارهای آموزشی و تمرینی مبتنی بر هوش مصنوعی ادامه می‌دهد.