دوره تسلط به آمار و یادگیری ماشین - شهود، ریاضی و کد

آنچه یاد خواهید گرفت: آمار توصیفی (میانگین، واریانس و غیره) آمار استنباطی آزمون‌های تی، همبستگی، تحلیل واریانس (ANOVA)، رگرسیون و خوشه‌بندی ریاضی پشت روش‌های آماری «جعبه‌سیاه» چگونه روش‌های آماری را در کد پیاده‌سازی کنید چگونه آمار را درست تفسیر کرده و از سوءبرداشت‌های رایج جلوگیری کنید؟ تکنیک‌های کدنویسی در پایتون، متلب و Octave روش‌های یادگیری ماشین مانند خوشه‌بندی، تحلیل پیش‌بینانه، طبقه‌بندی و پاکسازی داده پیش‌نیازهای دوره اخلاق کاری خوب و انگیزه برای یادگیری داشتن پیش‌زمینه‌ قبلی در آمار یا یادگیری ماشین ضروری نیست. پایتون یا متلب همراه با Statistics toolbox (یا Octave) برای تمرین‌های اختیاری کدنویسی، کمی آشنایی با کدنویسی لازم است. نیازی به کتاب درسی نیست. همه‌ مطالب داخل دوره ارائه شده‌اند. توضیحات دوره آمار و احتمال زندگی شما را کنترل می‌کنند. منظورمان فقط این نیست که الگوریتم یوتیوب چه ویدئویی را برای تماشای بعدی پیشنهاد می‌دهد، یا فقط این نیست که احتمال آشنایی با شریک عاطفی آینده‌ شما در کلاس یا یک بار چقدر است. رفتار انسان، موجودات تک‌سلولی، زلزله‌ها، بازار سهام، اینکه آیا در هفته‌ اول دسامبر برف می‌بارد یا نه و بی‌شمار پدیده‌ دیگر، همگی ماهیتی احتمالاتی و آماری دارند. حتی خود ماهیت بنیادی‌ترین ساختار عمیق جهان نیز با احتمال و آمار اداره می‌شود. شما باید آمار را بفهمید. تقریباً همه‌ حوزه‌های تمدن انسانی در حال استفاده از کد و محاسبات عددی هستند. این یعنی بسیاری از مشاغل و حوزه‌های مطالعه بر پایه‌ کاربردهای تکنیک‌های آماری و یادگیری ماشین در زبان‌های برنامه‌نویسی مانند پایتون و متلب هستند. این حوزه اغلب «علم داده» نامیده می‌شود و موضوعی است که به طور فزاینده‌ای اهمیت پیدا می‌کند. آمار و یادگیری ماشین همچنین برای هوش مصنوعی (AI) و هوش تجاری نیز بنیادی هستند. اگر می‌خواهید خودتان را به یک کارمند، کارفرما، دانشمند داده یا پژوهشگر آینده‌نگر در هر حوزه‌ فنی تبدیل کنید - از دانشمند داده تا مهندسی، پژوهشگری و مدل‌سازی - باید آمار و یادگیری ماشین را بلد باشید. شما باید بدانید چگونه مفاهیمی مانند نظریه‌ احتمال و بازه‌های اطمینان، خوشه‌بندی k-means و PCA، همبستگی Spearman و رگرسیون لجستیک را در زبان‌های کامپیوتری مانند پایتون یا متلب پیاده‌ کنید. شش دلیل برای اینکه دوره را بگذرانید: این دوره همه‌ موارد را که برای درک مبانی آمار، یادگیری ماشین و علم داده نیاز دارید؛ از نمودارهای میله‌ای تا تحلیل واریانس، از رگرسیون تا k-means و آزمون‌های تی تا آزمون جایگشتی غیرپارامتریک را پوشش می‌دهد. پس از پایان دوره، می‌توانید طیف گسترده‌ای از تحلیل‌های آماری و یادگیری ماشین را درک کنید، حتی روش‌های پیشرفته‌ خاصی را که اینجا آموزش داده نشده‌اند. چون شما اصولی را یاد می‌گیرید که روش‌های پیشرفته بر آنها ساخته می‌شوند. این دوره بین دقت ریاضی، توضیحات شهودی و بررسی‌های عملی در کد تعادل برقرار می‌کند. بیش از 20 سال است که آمار را مطالعه، توسعه و تدریس می‌کنیم. به‌ نظر ما ریاضی واقعاً خیلی جذاب است. پیش از شروع دوره باید چه مواردی بدانید: ریاضیات در سطح دبیرستان - این دوره کاربردمحور است، بنابراین وارد جزئیات زیادی درباره‌ اثبات‌ها، استنتاج‌ها یا حساب دیفرانسیل و انتگرال نمی‌شویم. مهارت پایه‌ کدنویسی در پایتون یا متلب - این فقط در صورتی لازم است که بخواهید همراه با کدها پیش بروید. شما می‌توانید دوره را بدون نوشتن حتی یک خط کد با موفقیت تمام کنید. اما شرکت در تمرین‌های کدنویسی به یادگیری بهتر مطالب کمک می‌کند. کدهای متلب بر جعبه ابزار آمار و یادگیری ماشین تکیه دارند (اگر متلب یا جعبه ابزار آمار ندارید، می‌توانید از Octave استفاده کنید). کدهای پایتون در Jupyter notebooks نوشته شده‌اند. ما پیشنهاد می‌کنیم دوره‌ رایگان ما با عنوان «سواد آمار برای غیر آمارشناسان» را بگذرانید. این دوره 90 دقیقه طول دارد و یک بررسی کلی از مباحث اصلی آمار به شما می‌دهد؛ مباحثی که در دوره با جزئیات بسیار بسیار بیشتری به آنها می‌پردازیم. توجه داشته باشید که این دوره‌ کوتاه و رایگان برای این دوره الزامی نیست، اما مکمل بسیار خوبی برای آن است. اگر با سرعت 1.5x تماشا کنید، می‌توانید کل آن را در کمتر از یک ساعت تمام کنید. شما به هیچ تجربه‌ قبلی در آمار، یادگیری ماشین، یادگیری عمیق یا علم داده نیاز ندارید. به همین دلیل اینجا هستید. آیا این دوره بروز است؟ بله، ما همه‌ دوره‌های خود را بهطور منظم بروزرسانی می‌کنیم. برای زنده نگه داشتن دوره و برای توضیح بهتر مفاهیم ریاضی، دروس جدیدی اضافه می‌کنیم (یا گاهی درس‌های موجود را دوباره ضبط می‌کنیم). این دوره برای چه کسانی مناسب است؟ دانشجویانی که دوره‌های آمار یا یادگیری ماشین را می‌گذرانند. متخصصانی که باید آمار و یادگیری ماشین را یاد بگیرند. دانشمندانی که می‌خواهند تحلیل‌های داده‌ خود را بهتر درک کنند. کسی که می‌خواهد under the hood یادگیری ماشین را ببیند. دانشجویان هوش مصنوعی (AI) دانشجویان هوش تجاری