آمار کاربردی برای علم داده: یک رویکرد عملی!

آنچه یاد خواهید گرفت:

• تحلیل داده‌ دقیق و پیچیده را بر روی هر مجموعه داده‌ای انجام دهید.
• یک درک شهودی از مفاهیم آماری بسازید: نمونه، جامعه، همبستگی، مقدار پی، معناداری آماری و غیره
• قادر به نوشتن کد پایتون برای تولید مصورسازی‌های دقیق و زیبا باشید.
• با کد پایتون شبیه‌سازی‌هایی بسازید که مفاهیم مختلف آماری را به نمایش می‌گذارند.
• قادر به اجرای تست‌های آماری مختلف با پایتون باشید (تست تی-استیودنت، تست ولش، تست لوین، تست شاپیرو-ویلک و ...)
• قادر به ساخت یک مدل یادگیری ماشین برای پیش‌بینی نتایج بر اساس رگرسیون خطی و لجستیک باشید.

پیش‌نیازهای دوره

• پیش‌نیاز آمار: تقریباً هیچ، شما هر آنچه را که نیاز دارید یاد خواهید گرفت.
• پیش‌نیاز کدنویسی: اصول بسیار ابتدایی کد پایتون؛ تمام کدها توضیح داده خواهند شد.

توضیحات دوره

به دوره آمار برای دانشمندان داده خوش آمدید!

• درباره مفاهیم کلیدی در آمار و نحوه به کارگیری آن‌ها در تحلیل داده‌ خود بیاموزید.
• یک رویکرد بسیار عملی و کاربردی
• تمرکز بر ساخت یک درک شهودی از هر مبحث
• یادگیری استفاده از کد پایتون برای شبیه‌سازی سناریوهای مختلف به صورت آماده و قابل استفاده

محتویات دوره شامل چه چیزهایی است:

• جزوه دقیق دوره (یک کتاب 100 صفحه‌ای با بیش از 50 تصویر توضیحی)
• مجموعه 360 اسلاید
• سخنرانی‌ها با بیش از 10 ساعت محتوا در قالب بیش از 40 ویدیو
• تمام کدها در نوت‌بوک‌های جوپیتر (7 نوت‌بوک، بیش از 2000 خط کد)
• فصل جایزه: مقدمه‌ای بر یادگیری ماشین

مباحثی که دوره پوشش می‌دهد:

• هیستوگرام
• تولید مجموعه داده‌ مصنوعی
• اصل بنیادین آمار
• قضیه حد مرکزی
• توابع توزیع
• صدک‌ها 
• دامنه‌های داده 
• تابع توزیع تجمعی

انواع مختلف توزیع:

• توزیع نرمال 
• توزیع یکنواخت 
• توزیع نمایی 
• توزیع پواسون 
• توزیع برنولی
• توزیع ریلی

تست های آماری

• منطق پشت تست‌های آماری
• مقدار پی 
• معناداری آماری 

تست های آماری مختلف:

• تست شاپیرو-ویلک 
• تست لوین 
• تست تی-استیودنت / تست تی ولش 
• تست آنووا 
• تست کولموگروف-اسمیرنوف
• تست‌های ناپارامتریک

دو مثال از دنیای واقعی

• تشخیص یک سکه غیرمنصفانه با اطمینان %95
• تست A/B در دنیای واقعی

همبستگی

• همبستگی خطی - ضریب همبستگی پیرسون + جایگزین‌ها
• همبستگی رسته‌ای - تست خی-دو + جداول توافقی

بخش اضافی: رگرسیون و مقدمه‌ای بر یادگیری ماشین

• رگرسیون خطی
• رگرسیون لجستیک + پایپ‌لاین یادگیری ماشین

این دوره برای چه کسانی مناسب است؟

• دانشجویان رشته علم داده یا سایر رشته‌های فنی
• متخصصانی که می‌خواهند مسیر شغلی خود را به سمت علم داده تغییر دهند.
• دانشمندان داده فعالی که می‌خواهند دانش و درک شهودی آماری را به جعبه ابزار مهارتی خود اضافه کنند.
• مدیران در حوزه‌های فنی که می‌خواهند مهارت خود را برای تصمیم‌گیری بهتر بر اساس داده‌ ارتقا دهند.