علم داده: رگرسیون خطی بیزی در پایتون

آنچه یاد خواهید گرفت:

• درک رگرسیون خطی بیزی: بیاموزید که چگونه استنتاج بیزی با استفاده از توزیع‌های پیشین و پسین برای رگرسیون خطی به کار می‌رود.
• استخراج و پیاده‌سازی مدل: محاسبات ریاضی را انجام دهید و رگرسیون خطی بیزی را از ابتدا در پایتون کدنویسی کنید.
• مقایسه روش‌های بیزی و فراوانی‌گرا: تفاوت‌های کلیدی و مزایای رویکرد بیزی نسبت به رگرسیون خطی سنتی را بررسی کنید.
• اعمال رگرسیون بیزی بر روی داده‌ها: از مدل‌سازی احتمالی برای تحلیل مجموعه داده‌های دنیای واقعی و سنجش عدم قطعیت استفاده کنید.

پیش نیازهای دوره

• کدنویسی پایتون: if/else، حلقه‌ها، لیست‌ها، دیکشنری‌ها، مجموعه‌ها
• کدنویسی Numpy و Pandas: عملیات ماتریسی و برداری، بارگذاری فایل CSV
• ریاضیات اولیه: حساب دیفرانسیل و انتگرال، جبر خطی، احتمال
• رگرسیون خطی
• کمی آمار بیزی: آشنایی با توزیع‌های پیشین مزدوج

توضیحات دوره

به دوره رگرسیون خطی بیزی خوش آمدید!

مدرس این مجموعه دوره در مورد یادگیری ماشین بیزی را سال‌ها پیش با دوره‌ای درباره تست A/B آغاز کرد. او همیشه قصد داشت این مجموعه را گسترش دهد (مطالب زیادی برای پوشش دادن وجود دارد!) اما مدام به مسیرهای دیگری کشیده می‌شد.

امروز، خوشحال است که اعلام کند مجموعه یادگیری ماشین بیزی بالاخره به مسیر اصلی خود بازگشته است!

در دوره اول، بسیاری از دانشجویان پرسیدند: «اما 'یادگیری ماشین' کجاست؟»، زیرا آن‌ها یادگیری ماشین را از پارادایم مدل‌های پارامتریک نظارت‌شده/نظارت‌نشده معمول می‌شناختند. دوره تست A/B هرگز قرار نبود به چنین مدل‌هایی بپردازد، اما این دقیقاً همان چیزی است که این دوره به آن می‌پردازد.

اگر قبلاً یادگیری ماشین را مطالعه کرده‌اید، می‌دانید که رگرسیون خطی اولین مدلی است که همه یاد می‌گیرند. ما نیز با همین رویکرد به یادگیری ماشین بیزی خواهیم پرداخت.

رگرسیون خطی بیزی ویژگی‌های خوب زیادی دارد (انتقال آسان از رگرسیون خطی غیر بیزی، راه‌حل‌های فرم بسته و غیره). این بهترین و کارآمدترین «گام اول» به دنیای یادگیری ماشین بیزی است.

همچنین، فراموش نکنیم که رگرسیون خطی (شامل نوع بیزی آن) در دنیای واقعی بسیار کاربردی است. یادگیری ماشین بیزی می‌تواند بسیار ریاضیاتی شود، بنابراین به راحتی ممکن است تصویر بزرگ یعنی کاربردهای دنیای واقعی را از دست بدهید. با قرار گرفتن تدریجی در معرض ایده‌های بیزی، تحت تأثیر ریاضیات غرق نخواهید شد و همیشه کاربرد را در ذهن خواهید داشت.

با این حال، باید گفته شود: یادگیری ماشین بیزی واقعاً بسیار ریاضیاتی است. اگر به دنبال تجربه‌ای شبیه به scikit-learn هستید، یادگیری ماشین بیزی قطعاً برای شما بسیار سطح بالا است. بیشتر «کار» شامل دستکاری‌های جبری است. در عین حال، اگر بتوانید تا انتها مقاومت کنید، نتایج را واقعاً رضایت‌بخش خواهید یافت و از ظرافت آن شگفت‌زده خواهید شد.

نکته جانبی: اگر دوره‌های رگرسیون خطی و تست A/B (ارائه شده توسط این مدرس) را با موفقیت گذرانده‌اید، در این دوره نیز مشکلی نخواهید داشت.

پیش‌نیازهای پیشنهادی:

• کدنویسی پایتون: if/else، حلقه‌ها، لیست‌ها، دیکشنری‌ها، مجموعه‌ها
• کدنویسی Numpy و Pandas: عملیات ماتریسی و برداری، بارگذاری فایل CSV
• ریاضیات اولیه: حساب دیفرانسیل و انتگرال، جبر خطی، احتمال
• رگرسیون خطی
• یادگیری ماشین بیزی: تست A/B در پایتون (آشنایی با توزیع‌های پیشین مزدوج 

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده و فعالان یادگیری ماشین که می‌خواهند به رگرسیون خطی بیزی از تئوری تا کدنویسی مسلط شوند.
• دانشجویان و متخصصانی که در مورد متدهای بیزی و کاربردهای واقعی آن‌ها کنجکاو هستند.
• علاقه‌مندان به یادگیری ماشین که به درک ریاضیاتی مدل‌ها و پیاده‌سازی آن‌ها از ابتدا علاقه‌مندند.
• هر کسی که مهارت‌های اولیه پایتون و احتمال را دارد و به دنبال استفاده از رگرسیون بیزی در علم داده است.
• هر کسی که می‌خواهد فراتر از Scikit-Learn برود و یادگیری ماشین بیزی را واقعاً درک کند.