دوره آموزشی
دوبله زبان فارسی
احتمال با زبان R برای آمار و علم داده
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- یاد بگیرید چگونه از R برای حل طیف گستردهای از مسائل احتمال استفاده کنید.
- با توابع مهم احتمال مانند PMF ،PDF ،CDF، و Inverse CDF آشنا شده و یاد بگیرید چگونه از آنها برای حل مسائل استفاده کنید.
- به توزیعهای مهم احتمال از جمله Bernoulli ،Binomial، Normal ،Geometric ،Hypergeometric ،Exponential Poisson ،Negative Binomial و Gamma مسلط شوید.
- یاد بگیرید چگونه برای پاسخ به سوالات درباره توزیعهای احتمال، داده شبیهسازی کنید.
توضیحات دوره
این دوره، بررسی عمیقی از احتمال ارائه میدهد و با استفاده از توابع r/d/p/q در زبان R، به روشنگری در مورد توزیعهای آماری مختلف میپردازد.
این دوره شامل موارد زیر است:
- 5 ساعت ویدئو آموزشی
- 30 تمرین کدنویسی با بیش از 100 مسئله، شامل راهنماییهای دقیق و راهحلهای گامبهگام، که تجربه عملی با R را فراهم میکند
شما درباره موارد زیر یاد خواهید گرفت:
- توزیعهای گسسته از جمله Bernoulli ،Binomial، Hypergeometric ،Geometric ،Negative Binomial و Poisson
- توزیع نرمال و قضیه حد مرکزی
- سایر توزیعهای پیوسته از جمله نمایی، گاما، پواسون و یکنواخت
- مثالهای عملی با استفاده از توابع r/d/p/q در R: تولید اعداد تصادفی، محاسبه احتمالات، میانهها، چارکها و موارد بیشتر.
- درک مفهومی و کاربردی توابع جرم احتمال (PMF)، توابع چگالی احتمال (PDF)، توابع توزیع تجمعی (CDF) و توابع توزیع تجمعی معکوس (Inverse CDF/Quantile Functions)
- مقدار مورد انتظار و انحراف معیار توزیعهای احتمال و چگونگی استفاده از آنها در کاربردهای مرتبط با قضیه حد مرکزی
این دوره برای این افراد عالی است:
- افرادی که هدفشان ایجاد اصول محکم در احتمال و تسلط به توزیعهای احتمالی مختلف مورد استفاده در آمار و علم داده است.
- تحلیلگران داده و دانشمندان داده کنونی و مشتاقی که میخواهند از قابلیتهای R برای سادهسازی محاسبات احتمال استفاده کنند.
- هر کسی که از R استفاده میکند و میخواهد احتمال را به سرعت و با رویکردی نوآورانه و مبتنی بر کامپیوتر یاد بگیرد.
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده و تحلیلگران داده کنونی و در حال آموزش
- هر کسی که در حال یادگیری R است و میخواهد به توابع مهم احتمال مسلط شود.
- افرادی که میخواهند احتمال را به روشی نوآورانه از طریق برنامهنویسی و زبان R بیاموزند.
احتمال با زبان R برای آمار و علم داده
-
مقدمه 01:29
-
مبانی زبان R 06:18
-
تمرین کدنویسی مبانی R None
-
متغیرهای تصادفی دودویی، فضای نمونه 05:50
-
شبیهسازی متغیرهای تصادفی برنولی با تابع ()rbinom 08:47
-
پارامترها - نسبت جامعه 05:07
-
آمار نمونه - استفاده از ()mean برای محاسبه نسبتهای نمونه 04:38
-
تمرین کدنویسی با تابع ()rbinom None
-
تابع ()dbinom 03:32
-
تابع ()dbinom None
-
آزمون توزیع برنولی None
-
متغیرهای تصادفی دوجملهای 09:27
-
mean(rbinom())، قانون اعداد بزرگ 03:45
-
برآورد احتمالات با استفاده از توابع ()mean و ()rbinom 03:07
-
تابع ()rbinom None
-
آشنایی با تابع ()dbinom 01:55
-
تابع ()dbinom None
-
مقدار مورد انتظار 08:33
-
آزمون توزیع دوجملهای None
-
واریانس و انحراف معیار 08:35
-
تابع توزیع تجمعی (CDF) و تابع ()pbinom 09:40
-
انواع دیگر نابرابریها و بازهها 06:43
-
مصورسازی تابع توزیع تجمعی 03:10
-
تابع ()pbinom None
-
میانه 06:25
-
تابع ()qbinom 09:12
-
حل مسئله با استفاده از تابع ()qbinom 04:24
-
تابع ()qbinom None
-
متغیرهای تصادفی فوقهندسی 12:00
-
متغیرهای تصادفی نرمال و قاعده تجربی 09:29
-
آزمون توزیع نرمال None
-
قاعده تجربی با استفاده از تابع ()rnorm 04:34
-
تابع ()rnorm None
-
تابع ()dnorm و توابع چگالی احتمال (PDF) 10:51
-
تابع ()pnorm 01:17
-
تابع ()pnorm None
-
تابع ()qnorm 07:40
-
تابع ()qnorm None
-
مقدار مورد انتظار جمع 03:45
-
واریانس و انحراف معیار جمع 02:55
-
جمع متغیرهای تصادفی نرمال، خود یک متغیر تصادفی نرمال است 01:05
-
جمع متغیرهای تصادفی نرمال None
-
قضیه حد مرکزی: تقریب نرمال برای توزیع دوجملهای 04:01
-
تقریب نرمال برای توزیع دوجملهای None
-
متغیرهای تصادفی هندسی 03:58
-
تابع ()rgeom 01:52
-
تابع ()dgeom و تابع جرم احتمال (PMF) متغیرهای تصادفی هندسی 05:29
-
تابع ()dgeom None
-
مقدار مورد انتظار و انحراف معیار 04:45
-
توابع توزیع تجمعی (CDF) و تابع ()pgeom 03:27
-
تابع ()pgeom None
-
تابع توزیع تجمعی معکوس، چارکها، و تابع ()qgeom 03:52
-
تابع ()qgeom None
-
متغیرهای تصادفی دوجملهای منفی 04:29
-
تابع ()rnbinom 02:35
-
تابع ()dnbinom 05:38
-
تابع ()dnbinom None
-
میانگین و انحراف معیار 02:10
-
تابع ()pnbinom 03:05
-
تابع ()qnbinom 06:13
-
توابع ()pnbinom و ()qnbinom None
-
تقریبات نرمال برای توزیع دوجملهای منفی 05:48
-
تقریب نرمال برای توزیع دوجملهای منفی None
-
متغیرهای تصادفی نمایی 04:05
-
تابع ()rexp 02:39
-
تابع ()rexp None
-
تابع ()dexp 01:12
-
مقدار مورد انتظار و انحراف معیار 03:35
-
تابع ()pexp و خاصیت بیحافظه بودن 04:52
-
تابع ()pexp None
-
تابع ()qexp 01:02
-
تابع ()qexp None
-
متغیرهای تصادفی گاما و تابع ()rgamma 04:18
-
مقدار مورد انتظار و انحراف معیار 02:34
-
توابع ()dgamma و ()pgamma 02:19
-
تابع ()qgamma 01:21
-
توابع ()pgamma و ()qgamma None
-
تقریب نرمال برای توزیع گاما 04:46
-
تقریب نرمال برای توزیع گاما None
-
متغیرهای تصادفی پواسون و تابع ()rpois 08:06
-
تابع ()rpois None
-
تابع ()dpois 01:57
-
تابع ()dpois None
-
میانگین و انحراف معیار 02:08
-
تابع ()ppois 01:30
-
تابع ()ppois None
-
تابع ()qpois 01:15
-
دورههای زمانی مختلف، جمع متغیرهای تصادفی پواسون 03:34
-
تابع ()qpois None
-
تقریب نرمال 03:45
-
تمرین کدنویسی تقریب نرمال برای توزیع پواسون None
-
متغیرهای تصادفی یکنواخت، تابع ()dunif 04:33
-
میانگین و انحراف معیار 00:58
-
تابع ()punif 01:26
-
تابع ()qunif و روش تبدیل معکوس 05:01
-
توابع ()punif و ()qunif None
-
تبدیل معکوس None
مشخصات آموزش
احتمال با زبان R برای آمار و علم داده
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:97
- مدت زمان :04:48:31
- حجم :2.4GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy