در حال حاضر محصولی در سبد خرید شما وجود ندارد.
با مشاهده این دوره آموزشی قدم به قدم یاد می گیرید که چطور در زبان R می توانید خلاصه های آماری ایجاد کنید. مطالب به زبانی ساده و از صفر تا صد تدریس می شوند.
عنوان اصلی : Building Statistical Summaries with R
بررسی اجمالی دوره
پیش نیازها و رئوس مطالب دوره
نقش آمار در درک داده ها
تست فرضیه
مقادیر P، توان و آلفای آزمون های آماری
معرفی آزمون تی
آزمون تی برای موارد استفاده مختلف
آزمون Z
ANOVA یک طرفه: فرضیات و جایگزین ها
ANOVA دو طرفه و فرضیات
تست Chi2 پیرسون
نسخه ی نمایشی: پیش پردازش داده ها
نسخه ی نمایشی: یک نمونه T-test و Z-test
نسخه ی نمایشی: دو نمونه T-test
نسخه ی نمایشی: خطاهای نوع I و نوع II
نسخه ی نمایشی: انجام تجزیه و تحلیل Chi2
نسخه ی نمایشی: تفسیر نتایج تجزیه و تحلیل Chi2
نسخه ی نمایشی: ANOVA یک طرفه
نسخه ی نمایشی: مفروضات ANOVA یک طرفه و گزینه های جایگزین
نسخه ی نمایشی: ANOVA دو طرفه
داده های مستمر و طبقه بندی شده
رگرسیون خطی
نسخه ی نمایشی: کاوش داده ها برای تحلیل رگرسیون
نسخه ی نمایشی: انجام رگرسیون خطی و نتایج تفسیر
رگرسیون لجستیک
نسبت شانس و طرح جنگل
نسخه ی نمایشی: انجام رگرسیون لجستیک
نسخه آزمایشی: دقت، حساسیت و ویژگی مدل رگرسیون لجستیک
معرفی تست A/B
توزیع ها و آزمون های آماری
شهود قضیه بیز
رویکرد مکرر در مقابل رویکرد بیزی
پیشین مزدوج
درک تست بیزی A/B
نسخه ی نمایشی: نتایج مدل سازی و مقدمات برای آزمون بیز A/B
نسخه ی نمایشی: انجام و تفسیر تست بیزی A/B برای نرخ کلیک
نسخه ی نمایشی: انجام و تفسیر تست بیزی A/B برای تعاملات صفحه
خلاصه و مطالعه بیشتر
Building Statistical Summaries with R
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.
آموزش ساخت مدل های Machine Learning
Tuning Kafka
آموزش آماده کردن داده ها برای مدل سازی با scikit-learn
Introduction to Attention-Based Neural Networks
Building Your First PyTorch Solution
Building Regression Models with scikit-learn
یادگیری ماشینی برای خدمات مالی
آموزش مبانی TensorFlow
آموزش تفسیر داده ها بوسیله آمار توصیفی در زبان Python
Data Labeling for Machine Learning