یادگیری ماشین و مبانی هوش مصنوعی: پیش‌بینی، علیت و استنتاج آماری

مدرس Keith McCormick

انتشار 2022/03/18

مدت زمان 2h 2m

سطح مناسب همه

فایل تمرینی دارد

آموزش Machine Learning and AI Foundations: Prediction, Causation, and Statistical Inference

در دنیای علم داده، یادگیری ماشین و آمار اغلب با هم ترکیب می‌شوند، اما اهداف متفاوتی را دنبال می‌کنند و تسلط به یکی به معنای تخصص در دیگری نیست. در واقع، استفاده از یک رویکرد آماری برای یک مشکل یادگیری ماشینی، یا بالعکس، می تواند بیش از روشن شدن منجر به سردرگمی شود. در این دوره، کیت مک کورمیک چگونگی متفاوت بودن آمار و یادگیری ماشین، زمان استفاده از هر یک و نحوه استفاده از تمام ابزارهایی که در اختیار دارید را برای شفاف و متقاعدکننده بودن هنگام به اشتراک گذاشتن نتایج خود پوشش می دهد. او موضوعاتی مانند: چرا همبستگی شواهد کافی برای علیت نیست. تفاوت بین داده های تجربی و مشاهده ای؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، موضوعی پیچیده در استفاده از آمار و یادگیری ماشین برای اثبات چیزی که باعث چیز دیگری می شود. اگر مدل‌های یادگیری ماشینی می‌سازید، تحلیل‌های آماری را اجرا می‌کنید - یا به‌ویژه اگر هر دو را انجام می‌دهید، این دوره برای شما مناسب است.

Artificial Intelligence (AI) Machine Learning

Introduction

Prediction, causation, and statistical inference ()

1. What Is a Casual Model?

Lady tasting tea ()

Why causation matters in a business setting ()

What is a causal model? ()

2. Healthy Skepticism about Our Data and Our Results

Skepticism about data: Truman 1948 Election Poll ()

Skepticism about results: Is that really the best predictor? ()

Skepticism about causes: Is X really causing Y? ()

3. Correlation Does Not Imply Causation

What is a strong correlation? ()

Pearson on correlation and causation ()

Correlation and regression ()

Challenge: What is causing what? ()

Solution: What is causing what? ()

4. Prediction and Proof in Statistics

Using probability to measure uncertainty ()

p-value review ()

Hypothesis testing checklist ()

Taleb on normality, mediocristan, and extremistan ()

Challenge: Evaluate significant finding ()

Solution: Evaluate significant finding ()

5. Deduction and Induction

What are induction and deduction? ()

Hume on induction ()

Popper on induction and falsification ()

Taleb on induction ()

Counterfactuals: Pearl on induction and causality ()

6. Prediction and Proof in Data Mining

Data mining vs. data dredging ()

Train/Test: What can go wrong? ()

A/B testing during the evaluation phase ()

7. The Two Cultures: Contrasting Statistics and Data Mining

The Two Cultures ()

Explain vs. predict ()

Comparing CRISP-DM and the scientific method ()

Applying the two methods at work ()

Conclusion

Review ()

Ex_Files_ML_and_AI_Foundations.zip (138 KB)

Glossary_MachineLearning_PredictionCausationInference.zip (15 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: پیش‌بینی، علیت و استنتاج آماری

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: Prediction, Causation, and Statistical Inference در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

در طراحی و ساخت الگوریتم های یادگیری ماشین غوطه ور شوید. این مسیر یادگیری نشان می دهد که الگوریتم های یادگیری ماشین چگونه کار می کنند و چگونه خودتان آنها را طراحی کنید. چیزهای زیادی برای یادگیری در این زمینه به سرعت در حال رشد و جستجو وجود دارد، و این دوره ها مجموعه مهارت های بسیار قوی را به شما می دهد.

آموزش یادگیری ماشین و مبانی هوش مصنوعی: پیش‌بینی، علیت و استنتاج آماری ، ایستگاه شماره 8 در مسیر یادگیری مهارت های خود را به عنوان یک متخصص یادگیری ماشین ارتقا دهید ، است.