آموزش مبانی یادگیری ماشین: آمار

Machine Learning Foundations: Statistics

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
مدل‌های یادگیری ماشینی نحوه کار ما را در بسیاری از صنایع متحول کرده است. اما عمیق‌تر شدن مدل‌های ML و در واقع درک نحوه عملکرد آنها به شما امکان می‌دهد عملکرد را بهینه کنید، نوآوری کنید، مشکلات را عیب‌یابی کنید و مدل‌های جدید و کارآمدتر ML ایجاد کنید. در این دوره آموزشی، قسمت چهارم از مجموعه مبانی یادگیری ماشینی، Terezija Semenski توضیح می‌دهد که چگونه درک عمیق آمار می‌تواند به شما کمک کند تا در پروژه‌های یادگیری ماشین برتر باشید. Terezija نشان می دهد که چگونه آمار نقش بزرگی در یادگیری ماشین ایفا می کند - فراتر از اعداد خرد - و به شما نشان می دهد که چگونه از آمار برای به دست آوردن بینش در مورد داده ها، درک عدم قطعیت های مرتبط با پیش بینی ها، و تصمیم گیری های مبتنی بر داده با اطمینان استفاده کنید.

سرفصل ها و درس ها

معرفی Introduction

  • مبانی آمار برای یادگیری ماشین Foundations of statistics for machine learning

  • آنچه شما باید بدانید What you should know

1. مقدمه ای بر آمار 1. Introduction to Statistics

  • تعریف آمار Defining statistics

  • کاربردهای آمار در ML Applications of statistics in ML

  • انواع داده ها Types of data

2. آمار خلاصه 2. The Summary Statistics

  • میانگین The mean

  • میانه The median

  • حالت The mode

  • صدک The percentile

  • درصد تغییر The percentage change

  • محدوده The range

  • واریانس و انحراف معیار The variance and the standard deviation

  • خطای استاندارد میانگین در مقابل انحراف معیار The standard error of the mean vs. the standard deviation

3. از کوانتیل تا همبستگی 3. From Quantiles to Correlation

  • چندک ها و نمودارهای جعبه The quantiles and box plots

  • داده های از دست رفته Missing data

  • همبستگی The correlation

  • کوواریانس The covariance

  • ضریب همبستگی The correlation coefficient

  • همبستگی در مقابل علیت The correlation vs. causation

4. متغیرهای تصادفی و توزیع احتمال 4. Random Variables and Probability Distribution

  • مقدمه ای بر توزیع احتمال Introduction to probability distribution

  • توزیع یکنواخت The uniform distribution

  • توزیع نرمال The normal distribution

  • توزیع برنولی The Bernoulli distribution

  • توزیع Multinoulli The Multinoulli distribution

5. نمونه برداری و جایگزینی 5. Sampling and Replacement

  • انتخاب با جایگزینی Selection with replacement

  • انتخاب بدون تعویض Selection without replacement

  • بوت استرپینگ Bootstrapping

6. رگرسیون خطی 6. Linear Regression

  • متغیرهای مستقل و وابسته Independent and dependent variables

  • رگرسیون خطی برای مقادیر پیوسته Linear regression for continuous values

  • نصب خط Fitting a line

  • حداقل مربعات خطی Linear least squares

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش مبانی یادگیری ماشین: آمار
جزییات دوره
1h 20m
32
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- 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

Terezija Semenski Terezija Semenski

توسعه دهنده نرم افزار، ریاضیدان، نویسنده و یادگیرنده

Terezia Semenski به عنوان یک ریاضیدان و توسعه دهنده نرم افزار کار می کند. ترزیجا با یک ذهن تجاری، ذهنیت یادگیری و اشتیاق به مردم به زندگی نزدیک می شود. او تجربه ای به عنوان توسعه دهنده نرم افزار و سرپرست تیم QA در پروژه های توسعه برنامه آموزشی، مالی و بانکی دارد. او همچنین در بخش آموزش و تدریس دروس IT و ریاضیات کار کرده است. ترزیجا در حال حاضر به عنوان یک مربی آزاد و توسعه دهنده نرم افزار کار می کند و اولین کتاب خود را می نویسد.