مبانی احتمالی برای علوم داده

مدرس Megan Silvey

انتشار 2024/08/26

مدت زمان 4h 56m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Probability Foundations for Data Science

درک کامل از ریاضیات، به ویژه احتمال، برای تلاش های موفق علم داده بسیار مهم است. این دوره اصول احتمالات را با توضیحات واضح، معادلات رایج، مثال‌های ساده و کاربردهای واقعی پوشش می‌دهد. ابتدا، مروری بر مبانی، مانند متغیرهای تصادفی، همراه با انواع توزیع هسته: گسسته، پیوسته، تجمعی و مشترک پوشش داده شده است. سپس انتظارات و واریانس شامل انتظار شرطی، انحراف معیار، کوواریانس و همبستگی بررسی می‌شوند. در مرحله بعد، چندین توزیع گسسته استاندارد و توزیع های پیوسته به تفصیل بیان می شوند و به دنبال آن قضایای حدی و تقریب های رایج بیان می شوند. پس از آن، احتمال بیزی مورد بررسی قرار می گیرد، از جمله اینکه چگونه با احتمال فراوانی تفاوت دارد. در نهایت، چند روش برآورد رایج پوشش داده شده است. به مگان سیلوی بپیوندید تا شما را در هر بخش راهنمایی کند و تخصص خود را به شما منتقل کند.

Big Data Analytics Mathematical Analysis Probability Statistics

Introduction

Introduction to probability ()

What you should know ()

Calculus review: Limits and derivatives ()

Calculus review: Integrals ()

1. Probability Fundamentals

Basic probability ()

Random variables ()

Discrete distributions ()

Continuous distributions ()

Cumulative distributions ()

Joint distributions ()

2. Expectation and Variance

Expectation ()

Expectation of discrete random variables ()

Expectation of continuous random variables ()

Conditional expectation ()

Variance and standard deviation ()

Discrete vs. continuous dispersion ()

Covariance ()

Correlation ()

3. Discrete Distributions

Discrete distributions: Introduction ()

Discrete uniform distribution ()

Bernoulli distribution ()

Binomial distribution ()

Negative binomial distribution ()

Geometric distribution ()

Hypergeometric distribution ()

Poisson distribution ()

4. Continuous Distributions

Continuous distributions: Introduction ()

Uniform distribution ()

Exponential distribution ()

Gamma distribution ()

Pareto distribution ()

Standard normal distribution ()

Normal distribution ()

Chi-squared distribution ()

t distribution ()

F distribution ()

5. Limit Theorems and Approximations

Chebyshev's inequality ()

Weak Law of Large Numbers ()

Strong Law of Large Numbers ()

Monte Carlo Approximation ()

Central Limit theorem ()

Normal approximation of the binomial distribution ()

6. Bayesian Probability

Bayesian probability: History ()

Bayes' theorem ()

Bayesian inference ()

Frequentist vs. Bayesian probability ()

Bayesian applications ()

7. Estimation

Maximum likelihood estimation (MLE) ()

MLE for binomial distribution ()

MLE for exponential distribution ()

MLE for normal distribution ()

Maximum a posteriori estimation (MAP) ()

MAP applications ()

Conclusion

Next steps ()

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.