آمار پایه برای هوش مصنوعی - درک اصول برای یادگیری ماشین

آنچه یاد خواهید گرفت:

• مفاهیم اصلی آمار را که ستون فقرات هوش مصنوعی و یادگیری ماشین را تشکیل می‌دهند، درک می‌کنید.
• درک و اعمال اندازه‌گیری‌های گرایش مرکزی (میانگین، میانه و مد) و پراکندگی (محدوده، واریانس و انحراف معیار) 
• تفسیر و تحلیل داده‌ با استفاده از چارک‌ها، صدک‌ها و دامنه بین چارکی (IQR) برای تشخیص داده‌ پرت 
• تقویت شهود خود درباره احتمال، متغیرهای تصادفی و عدم قطعیت در دنیای واقعی
• اعمال احتمال شرطی و قضیه بیز در مثال‌های روزمره هوش مصنوعی مانند تشخیص هرزنامه، سیستم‌های توصیه‌گر و پیش‌بینی ریسک
• استفاده از مصورسازی‌های داده (هیستوگرام‌ها، نمودارهای جعبه‌ای، نمودارهای پراکندگی) برای کشف الگوها و روابط.
• ارتباط هر مفهوم آماری با گردش‌کارهای هوش مصنوعی و یادگیری ماشین - از پاکسازی و پیش‌پردازش داده تا ارزیابی مدل

پیش‌نیازهای دوره

• نیازی به دانش پیشین در آمار یا برنامه‎‌نویسی نیست.
• کنجکاوی اولیه درباره نحوه تعامل هوش مصنوعی و داده
• تمایل به تفکر تحلیلی و دنبال کردن توضیحات ویژوال به صورت گام‌به‌گام

توضیحات دوره

آمار، زبان داده است و داده، پایه تمام سیستم‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) می‌باشد. اگر تا کنون متعجب بوده‌اید که مدل‌ها چگونه پیش‌بینی می‌کنند، ناهنجاری‌ها را تشخیص می‌دهند یا محصولات را پیشنهاد می‌کنند، همه اینها با آمار شروع می‌شود.

این دوره «آمار پایه برای هوش مصنوعی - درک اصول برای یادگیری ماشین» طراحی شده تا درک کاملی از مفاهیم ریاضی و آماری را که مدل‌های هوش مصنوعی را هدایت می‌کنند، فراهم کند، حتی اگر از صفر شروع کنید.

شما نه تنها فرمول‌ها، بلکه دلیل اهمیت هر مفهوم و کاربردهای واقعی هوش مصنوعی مثل تشخیص هرزنامه، سیستم‌های توصیه‌گر و مدل‌سازی پیش‌بینانه را یاد خواهید گرفت.

آنچه یاد خواهید گرفت:

• درک نحوه اهمیت آمار برای هوش مصنوعی و یادگیری ماشین و نحوه قدرت تصمیم‌گیری داده محور
• شناسایی و تحلیل تایپ‌های داده‌ - عددی، طبقه‌ای و ترتیبی
• تفکیک بین جمعیت و نمونه و درک اینکه نمونه‌گیری چگونه بر مدل‌سازی هوش مصنوعی تأثیر می‌گذارد.
• تسلط به آمار توصیفی - میانگین، میانه، مد، واریانس، انحراف معیار، چارک‌ها و صدک‌ها
• یادگیری نحوه مصورسازی داده با استفاده از هیستوگرام‌ها، نمودارهای جعبه‌ای و نمودارهای پراکندگی تا کشف الگوها و داده پرت
• اصول قوی در نظریه احتمال - درک متغیرهای تصادفی، استقلال، وابستگی و احتمال شرطی
• اعمال قضیه بیز بر مسائل واقعی هوش مصنوعی همچون تشخیص هرزنامه و توصیه‌ها
• کشف اینکه چگونه توزیع‌های احتمال مانند توزیع‌های دوجمله‌ای، پواسون و توزیع‌های نرمال، رویدادهای هوش مصنوعی واقعی را توضیح می‌دهند.
• بررسی قضیه حد مرکزی و نحوه امکان استنتاج آماری در مجموعه داده‌‌های بزرگ 
• کسب بینش درباره مطالعات موردی واقعی هوش مصنوعی از جمله پیش‌بینی عملکرد دانش‌آموزان، تشخیص تقلب و طبقه‌بندی متن بیزی

مخاطبان دوره:

• مبتدیان در علم داده، هوش مصنوعی یا یادگیری ماشین که می‌خواهند مقدمه‌ای روشن و کاربردی از آمار داشته باشند.
• دانشجویان و حرفه‌ایانی که به سمت نقش‌های هوش مصنوعی یا تحلیلی مهاجرت می‌کنند.
• مهندسان نرم‌افزار که می‌خواهند درک ریاضی پشت مدل‌هایی که پیاده‌سازی می‌کنند را داشته باشند.
• یادگیرندگان غیرفنی که درباره اینکه سیستم‌های هوش مصنوعی کنجکاو هستند، اینکه چگونه از داده‌ تفسیر کرده و یاد می‌گیرند.

نیازی به تجربه پیشین در ریاضی یا برنامه‌نویسی نیست. همه مباحث به صورت گام به گام با ارتباط واقعی به جهان توضیح داده می‌شوند.

چرا این دوره را انتخاب کنید؟

اکثر افراد بدون درک «دلیل» پشت الگوریتم‌ها، به طور ناخواسته وارد یادگیری ماشین می‌شوند. این دوره به شما کمک می‌کند تا آن پایه و اساس را بسازید، یعنی شهود آماری که یک مبتدی را از متخصص داده واقعی جدا می‌کند.

در پایان دوره قادر به انجام موارد زیر خواهید بود:

• با اطمینان مجموعه‌ داده‌ها را توصیف و خلاصه می‌کنید.
• مفاهیم احتمال را بر مسائل هوش مصنوعی اعمال می‌کنید.
• خروجی‌های مدل هوش مصنوعی را با درک آماری تفسیر می‌کنید.
• اصولی قوی برای مباحث پیشرفته مثل شبکه‌های بیزی، رگرسیون و یادگیری عمیق فراهم می‌کنید.

ماژول‌های پوشش داده شده:

ماژول 1 - آشنایی با آمار

• چرا آمار در هوش مصنوعی مورد اهمیت است؟
• تایپ‌های داده - عددی، طبقه‌ای، ترتیبی
• جمعیت در برابر نمونه
• آمار توصیفی در مقابل آمار استنباطی

ماژول 2 - آمار توصیفی

• اندازه‌گیری‌های گرایش مرکزی (میانگین، میانه و مد)
• اندازه‌گیری‌های پراکندگی (محدوده، واریانس و انحراف معیار)
• چارک‌ها، صدک‌ها و IQR
• مصورسازی داده با هیستوگرام‌ها، نمودارهای جعبه‌ای و نمودارهای پراکندگی

ماژول 3 - مبانی احتمال

• متغیرهای تصادفی (گسسته و پیوسته)
• رویدادهای مستقل در برابر وابسته
• قوانین احتمال، احتمال شرطی و قضیه بیز
• مثال‌های هوش مصنوعی - فیلترینگ اسپم، سیستم‌های توصیه‌گر و تحلیل ریسک

(ماژول‌های پیشرفته‌تر درباره توزیع‌ها، استنباط آماری، رگرسیون و مطالعات موردی هوش مصنوعی به زودی اضافه می‌شود.)

کاربردهای واقعی که کشف خواهید کرد:

• چگونه نتفلیکس و آمازون از احتمال برای پیش‌بینی آنچه که در مرحله بعد تماشا خواهید کرد یا خواهید خرید، استفاده می‌کنند.
• چگونه فیلترهای اسپم پیام‌ها را با استفاده از قضیه بیز طبقه‌بندی می‌کنند؟
• چگونه بانک‌ها از آمار برای تشخیص ناهنجاری‌ها و کلاهبرداری‌های احتمالی استفاده می‌کنند؟
• چگونه مدل‌های هوش مصنوعی از توزیع‌ها برای مدیریت عدم قطعیت در پیش‌بینی‌ها استفاده می‌کنند؟

پایان‌ دوره

• یک پایه قوی آماری برای هوش مصنوعی و یادگیری ماشین خواهید داشت.
• قادر به تحلیل، تفسیر و مصورسازی داده به طور موثر خواهید بود.
• درکی از ریاضاتی پشت هر پیش‌بینی هوش مصنوعی خواهید داشت.
• برای پیشرفت به مباحث پیشرفته و پروژه‌های داده واقعی آماده خواهید بود.

این دوره برای یادگیری فرمول نیست. هر مفهوم بصورت تصویری و قابل فهم توضیح داده می‌شود تا شما «چگونگی» و «دلیل» کارها را یاد بگیرید.

همین امروز در دوره شرکت کرده و سفر خود را برای تبدیل شدن به یک حرفه‌ای هوش مصنوعی با پایه قوی آمار آغاز کنید.

وقتی فهمیدید داده چگونه رفتار می‌کند، می‌توانید ماشین‌ها را برای همان کار آموزش دهید.

این دوره برای چه کسانی مناسب است؟

• مبتدیان هوش مصنوعی، یادگیری ماشین یا علم داده که می‌خواهند به ریاضیاتی که مدل‌ها را هدایت می‌کند، تسلط پیدا کنند.
• دانشجویان و متخصصان علوم کامپیوتر، بازاریابی یا تحلیل که به درک روشن و عملی از آمار نیاز دارند.
• مهندسان نرم‌افزار که به نقش‌های داده‌ محور روی می‌آورند و به دنبال تقویت اصول تحلیل خود هستند.
• یادگیرندگان و کارآفرینان غیرفنی که می‌خواهند گزارش‌ها، داشبوردها و متریک‌های هوش مصنوعی را با اعتمادبه‌نفس درک کنند.
• کسی که درباره نحوه انجام پیش‌بینی‌ها، تشخیص الگوها و استدلال با عدم قطعیت توسط ماشین‌ها کنجکاو است.