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 آماده کردن داده های عکسی برای یادگیری ماشینی و هوش مصنوعی
Performing Dimension Analysis with R
Deploying PyTorch Models in Production: PyTorch Playbook
Solving Problems with Numerical Methods
Performing Dimension Analysis with R
Learning Apache Airflow
Understanding Statistical Models and Mathematical Models
بهینه سازی Apache Spark بر روی Azure Databricks
Kubernetes: زیرساخت به عنوان کد با Pulumi
Building Features from Nominal Data