یادگیری ماشین و مبانی هوش مصنوعی: استنتاج علی و مدلسازی

مدرس Keith McCormick

انتشار 2022/07/22

مدت زمان 2h 51m

سطح مناسب همه

فایل تمرینی دارد

آموزش Machine Learning and AI Foundations: Causal Inference and Modeling

این دوره با مدرس کیت مک کورمیک مقدمه ای بر برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علّی ارائه می دهد. این پایه بر پایه دوره کیث، یادگیری ماشین و مبانی هوش مصنوعی: پیش بینی، علیت و استنتاج آماری استوار است. کیت این دوره را بر روی سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیت این است که آنها همیشه به عنوان یک گزینه در دسترس نیستند). فلسفه و رویکرد آمار بیزی و زمانی که انتخاب خوبی است. و مقدمه‌ای بر مدل‌سازی علی با تکنیک‌هایی مانند مدل‌سازی معادلات ساختاری و شبکه‌های بیزی. با کیت در این دوره همراه باشید تا با این تکنیک های پیشرفته و آنچه که آنها را قدرتمند و جالب می کند آشنا شوید.

Artificial Intelligence (AI) استنتاج علی Machine Learning

Introduction

Thinking about causality ()

What you should know ()

1. Experimental Design and Statistical Controls

The investigator, the jury, and the judge ()

Fisher and experiments ()

John Snow and natural experiments ()

Double blind studies ()

Control variables (ANCOVA) ()

Judea Pearl: Problems with control variables ()

Moderation, mediation, and lurking variables ()

Simpson's paradox ()

Challenge: Moderation, mediation, or a third variable ()

Solution: Moderation, mediation, or a third variable ()

2. Conditional Probability and Bayes' Theorem

Turing, Enigma, and CAPTCHA ()

Enigma and uncertainty ()

Developing an intuition for Bayes with Wordle ()

Wordle and conditional probability ()

Wordle, bans, and bits ()

Wordle and Bayes' theorem ()

Challenge: Conditional probability and Bayes' theorem ()

Solution: Conditional probability and Bayes' theorem ()

3. Prediction and Proof with Bayesian statistics

Contrasting frequentist statistics and Bayesian statistics ()

Bayesian T-Test with JASP ()

Google Optimize ()

Bayes and rare events ()

Challenge: JASP ()

Solution: JASP ()

4. Causal Modeling with Structural Equation Modeling (SEM)

Sewell Wright ()

Introducing path analysis and SEM ()

SEM example: Intention ()

Myths about SEM ()

Latent variables in SEM ()

Finding direction of causality with SEM (PSAT) ()

5. Causal Modeling with Bayesian Networks

Judea Pearl and the causal revolution ()

Downloading BayesiaLab and resources ()

Introducing BayesiaLab: Hair and eye color ()

Introduction to causal modeling with Bayesian networks ()

Bayesian Networks: Black Swan case study ()

Conclusion

Taking causality further ()

Ex_Files_ML_and_AI_Foundations_Causal_Inf_Modeling.zip (179 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش یادگیری ماشین و مبانی هوش مصنوعی: استنتاج علی و مدلسازی

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Machine Learning and AI Foundations: Causal Inference and Modeling در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

با این مسیر یادگیری جامع، تخصص یادگیری ماشینی خود را ارتقا دهید. موضوعات اصلی و پیشرفته، از جمله تجزیه و تحلیل پیش‌بینی‌کننده، درخت‌های تصمیم، استنتاج علی، بهینه‌سازی یادگیری عمیق، و تفاوت‌های بین یادگیری ماشین و روش‌های آماری را کاوش کنید. از طریق مثال‌ها و ابزارهای واقعی مانند پلتفرم KNIME Analytics، مهارت‌های عملی برای افزایش شفافیت و اثربخشی مدل به دست آورید. از همین الان شروع کنید تا مهارت های خود را ارتقا دهید.

آموزش یادگیری ماشین و مبانی هوش مصنوعی: استنتاج علی و مدلسازی ، ایستگاه شماره 7 در مسیر یادگیری مهارت های خود را به عنوان یک متخصص یادگیری ماشین ارتقا دهید ، است.