Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره تکنیک های مهم هر دو مدل سازی ریاضی و آماری را شامل می شود ، از جمله استفاده از معادلات دیفرانسیل معمولی برای مدل سازی سیستم های قطعی ، جستجوی محلی کلاسیک و بازپخت شبیه سازی شده برای کاوش در فضاهای جستجوی بزرگ. علم داده و مدل سازی داده ها به سرعت به عنوان توانایی های اساسی هر شرکت ظاهر می شوند و هر تکنسین و مهم این است که ما نوع مدلی را که مناسب مورد استفاده شما باشد انتخاب کنیم. در این دوره ، درک مدلهای آماری و مدلهای ریاضی ، شما توانایی تمایز بین مدلهای ریاضی و مدلهای آماری و انتخاب نوع مناسب مدل برای سناریوی خود را خواهید یافت. ابتدا خصوصیات مهم مدلهای ریاضی و آماری و کاربردهای آنها را خواهید آموخت. در مرحله بعدی ، خواهید فهمید که چگونه مدل های کلاسیک ریاضی کاربرد گسترده ای در حل معادلات دیفرانسیل و مدل سازی سیستم های قطعی پیدا می کنند. سپس ، شما همچنین خواهید آموخت که چگونه مدل های آماری برای مدل سازی سیستم های دارای تصادفی ، با استفاده از موارد استفاده مبتنی بر مشاغل از مدیریت ریسک و استفاده از شبیه سازی های مونت کارلو ، عالی هستند. سرانجام ، شما با استفاده از آزمونهای T و Z در داده های دنیای واقعی ، دانش خود را در زمینه انجام آزمون فرضیه جمع آوری می کنید. هنگامی که با این دوره به پایان رسیدید ، مهارت و دانش لازم برای استفاده از تکنیک های قدرتمند از هر دو مدل سازی ریاضی و آماری را خواهید داشت ، از جمله حل معادلات دیفرانسیل معمولی ، استفاده از آنیل شبیه سازی شده و کوهنوردی کلاسیک ، و همچنین آزمایش فرضیه و آزمونهای آماری مانند آزمون T.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک مدلهای آماری و ریاضی
Understanding Statistical and Mathematical Models
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
درک مدلهای ریاضی و مدلهای آماری
Understanding Mathematical Models and Statistical Models
مدل های ریاضی و مدل های آماری: تفاوت ها و کاربردها
Mathematical Models and Statistical Models: Differences and Applications
داده و فراداده
Data and Metadata
نسخه ی نمایشی: ایجاد یک محیط برای اجرای هسته R در نوت بوک های Jupyter
Demo: Creating an Environment to Run the R Kernel on Jupyter Notebooks
نسخه ی نمایشی: ارتباط متاداده با استفاده از عملکرد نظر
Demo: Associating Metadata Using the Comment Function
نسخه ی نمایشی: پرس و جو و تنظیم فراداده با استفاده از عملکرد Meta
Demo: Querying and Setting Metadata Using the Meta Function
مطالعات موردی در مدل های آماری و ریاضی
Case Studies on Statistical and Mathematical Models
مدل سازی رشد جمعیت با استفاده از ODE ها
Modeling Population Growth Using ODEs
تفسیر مشتقات
Interpreting Derivatives
Verhulst مدل کاهش رشد
Verhulst's Decreasing Growth Model
ارزش مدل سازی در معرض خطر: یک مدل ساده
Modeling Value at Risk: A Simplistic Model
درک شبیه سازی های مونت کارلو
Understanding Monte Carlo Simulations
استفاده از شبیه سازی مونت کارلو برای مدل سازی مقدار در معرض خطر
Using Monte Carlo Simulations to Model Value at Risk
استفاده از مدلهای ریاضی در R
Applying Mathematical Models in R
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.
نمایش نظرات