آموزش درک مدلهای آماری و مدلهای ریاضی

Understanding Statistical Models and Mathematical Models

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

  • خلاصه: معادلات دیفرانسیل معمولی Recap: Ordinary Differential Equations

  • نسخه ی نمایشی: محاسبه مشتق یک تابع Demo: Calculating the Derivative of a Function

  • نسخه ی نمایشی: حل معادلات دیفرانسیل Demo: Solving Differential Equations

  • نسخه ی نمایشی: حل معادله Verhulst برای رشد جمعیت Demo: Solving Verhulst's Equation for Population Growth

  • مشکل 8 ملکه The 8 Queens Problem

  • تکنیک های بهینه سازی جستجوی محلی Local Search Optimization Techniques

  • نسخه ی نمایشی: تنظیم عملکردهای کمکی برای حل مشکل بهینه سازی 8 ملکه Demo: Setting up Helper Functions to Solve the 8 Queens Optimization Problem

  • نسخه ی نمایشی: استفاده از بهینه سازی جستجوی محلی برای حل مشکل هشت ملکه Demo: Applying Local Search Optimization to Solve the Eight Queens Problem

استفاده از مدلهای آماری در R Applying Statistical Models in R

  • آمار داده کاوی و یادگیری ماشین Data Mining Statistics and Machine Learning

  • درک آزمون فرضیه Understanding Hypothesis Testing

  • آزمون T و آزمون Z The T-test and the Z-test

  • نسخه ی نمایشی: کاوش مجموعه داده های خودرو Demo: Exploring the Automobile Dataset

  • نسخه ی نمایشی: یک نمونه تست تی Demo: One Sample T-test

  • نسخه ی نمایشی: یک نمونه تست Z Demo: One Sample Z-test

  • نسخه ی نمایشی: آزمون T دو نمونه ای Demo: Two Sample T-test

  • نسخه ی نمایشی: نمونه تی و تست Z زوجی Demo: Paired Sample T-test and Z-test

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

نظری ارسال نشده است.

آموزش درک مدلهای آماری و مدلهای ریاضی
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
2h 34m
31
Pluralsight (پلورال سایت) pluralsight-small
26 آذر 1398 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
-
از 5
دارد
دارد
دارد
Janani Ravi

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.