نمونه‌برداری مجدد، انتخاب و اسپلاین‌ها

آنچه یاد خواهید گرفت:

• اعمال متدهای نمونه‌برداری مجدد برای به دست آوردن اطلاعات بیشتر درباره مدل های برازش شده
• بهینه‌سازی رویه‌های برازش برای بهبود دقت پیش‌بینی و تفسیرپذیری
• شناسایی مزایا و رویکرد مدل‌های غیرخطی

توضیحات دوره

«یادگیری آمار برای علم داده» دوره‌ای پیشرفته است که برای تجهیز متخصصان فعال با دانش و مهارت‌های لازم برای موفقیت در حوزه علم داده طراحی شده است. از طریق آموزش جامع درباره مباحث کلیدی مانند متدهای shrink، تحلیل رگرسیون پارامتریک، مدل‌های خطی تعمیم‌یافته و مدل‌های جمعی عمومی، دانشجویان یاد می‌گیرند که چگونه از متدهای نمونه‌برداری مجدد برای کسب اطلاعات اضافی درباره‌ مدل‌های برازش‌شده بهره ببرند، رویه‌های برازش را بهینه‌سازی کنند تا دقت پیش‌بینی و تفسیرپذیری بهبود یابد و مزایا و رویکرد مدل‌های غیرخطی را شناسایی کنند. این دوره انتخاب مناسبی برای هر کسی است که به دنبال ارتقای مهارت‌ها یا تغییر شغل به سمت علم داده می‌باشد.

این دوره می‌تواند برای اعتبار علمی به عنوان بخشی از مدرک کارشناسی ارشد در علم داده (MS-DS) دانشگاه کلرادو بولدر که در پلتفرم Coursera ارائه می‌شود، گذرانده شود. MS-DS یک مدرک بین‌رشته‌ای است که اعضای هیئت علمی را از دپارتمان‌های ریاضیات کاربردی، علم کامپیوتر، علم اطلاعات و سایر دپارتمان‌ها گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با دامنه وسیعی از تحصیلات کارشناسی و یا تجربه‌های حرفه‌ای در علم کامپیوتر، علم اطلاعات، ریاضیات و آمار ایده‌آل است.