دوره یادگیری آماری از صفر تا صد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری آماری از صفر تا صد

موضوع کلی: علوم آماری و کاربردهای آن

موضوع میانی: یادگیری آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری آماری
• 2. آشنایی با انواع داده‌ها و متغیرها
• 3. مقیاس‌های اندازه‌گیری و انواع داده‌ها
• 4. خلاصه‌سازی داده‌ها با آمار توصیفی
• 5. تجسم توزیع‌ها و الگوهای داده‌ها
• 6. مبانی نظریه احتمال
• 7. احتمال شرطی و قضیه بیز
• 8. متغیرهای تصادفی و ویژگی‌های آنها
• 9. توزیع‌های تصادفی گسسته و پیوسته
• 10. توزیع‌های رایج: نرمال، باینومial، پواسون
• 11. مقدار انتظار و واریانس
• 12. همبستگی و هم‌وزنی
• 13. روش‌های نمونه‌گیری و قضیه محدودیت مرکزی
• 14. استنتاج از جمعیت و نمونه
• 15. محاسبه فاصله اطمینان برای میانگین و نسبت
• 16. مبانی آزمون فرضیه
• 17. فرضیه‌های نول و جایگزین
• 18. مقدار p و سطح معناداری
• 19. خطاهای نوع I و Type II
• 20. تحلیل توان و برنامه‌ریزی اندازه نمونه
• 21. آزمون t برای نمونه‌های تک و زوج
• 22. آزمون t برای نمونه‌های مستقل
• 23. آنالیز واریانس برای مقایسه چند میانگین
• 24. آزمون‌های پس از آزمون و اندازه اثر
• 25. مبانی رگرسیون خطی
• 26. رگرسیون خطی ساده
• 27. برآورد ضریب‌های رگرسیون
• 28. ارزیابی برازش مدل (R²، بقایای خطا)
• 29. نقشه‌های تشخیصی و بررسی فرضیات
• 30. رگرسیون خطی چندمتغیره
• 31. انتخاب متغیر و ساختن مدل
• 32. رگرسیون چندجمله‌ای و دگرگونی‌ها
• 33. رگرسیون لجستیک برای نتایج باینری
• 34. رگرسیون لجستیک چندطبقه‌ای
• 35. معیارهای ارزیابی مدل (MSE، MAE، دقت، AUC)
• 36. روش‌های بازبینی متقاطع
• 37. بیش‌تمرکزی، کم‌تمرکزی و tradeoff بینیش و واریانس
• 38. روش‌های تنظیم‌کننده (Ridge، Lasso)
• 39. مبانی درخت تصمیم
• 40. درخت‌های طبقه‌بندی و رگرسیون (CART)
• 41. پانچ و تنظیم پارامترها
• 42. روش جنگل‌های تصادفی
• 43. اهمیت ویژگ‌ها و ارزیابی OOB
• 44. مبانی ماشین‌های برداری پشتیبان
• 45. توابع هسته‌ای و حداکثر کردن فاصله
• 46. کاربرد SVM برای طبقه‌بندی و رگرسیون
• 47. مبانی خوشه‌بندی (K‑Means، سلسله‌مراتبی)
• 48. انتخاب تعداد خوشه‌ها
• 49. DBSCAN و خوشه‌بندی مبتنی بر چگالی
• 50. تحلیل مؤلفه‌های اصلی (PCA)
• 51. تجزیه و تحلیل مؤلفه‌های اصلی (SVD)
• 52. کاهش ابعاد برای تجسم
• 53. تحلیل عامل و متغیرهای نهفته
• 54. مبانی داده‌های سری زمانی
• 55. پایداری و تفاضله
• 56. مدل‌های خودرگرسیونی (AR)
• 57. مدل‌های میانگین متحرک (MA)
• 58. ساخت مدل ARIMA
• 59. تجزیه فصلی و SARIMA
• 60. معیارهای ارزیابی پیش‌بینی
• 61. مبانی استنتاج بیزنی
• 62. توزیع‌های پیشین و پسین
• 63. پیشین‌های متقارن و به‌روزرسانی‌ها
• 64. نمونه‌برداری MCMC
• 65. مدل‌های بیزنی سلسله‌مراتبی
• 66. انتخاب مدل با معیارهای اطلاعاتی (AIC، BIC)
• 67. قابلیت تفسیر و هوش مصنوعی قابل توضیح
• 68. استقرار مدل‌های آماری در محیط تولید
• 69. ملاحظات اخلاقی در یادگیری آماری
• 70. ابزارها و کتابخانه‌ها در Python و R