دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

کورس یادگیری احتمالات و آمار ویژه ماشین لرنینگ

دانلود LiveLessons Probability and Statistics for Machine Learning

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

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.

ویدئو معرفی این محصول

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با یادگیری ماشینی یاد می گیرید.

عنوان اصلی : Probability and Statistics for Machine Learning

این مجموعه آموزش ویدیویی محصول موسسه آموزشی LiveLessons است که بر روی 1 حلقه دیسک ارائه شده و به مدت زمان 17 ساعت و 57 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :

00001 احتمال و آمار برای یادگیری ماشین - مقدمه
00002 موضوعات
00003 1.1 جهت به سری پایه های یادگیری ماشین
00004 1.2 چه نظریه احتمالی است
00005 1.3 رویدادها و فضاهای نمونه
00006 1.4 مشاهدات چندگانه
00007 1.5 فاکتوریل و ترکیبیات
00008 1.6 تمرینات
00009 1.7 قانون تعداد زیادی و قمار گمراه کننده
00010 1.8 توزیع احتمالات در آمار
00011 1.9 Bayesian در مقابل آمار مکرر
00012 1.10 برنامه های کاربردی احتمال یادگیری ماشین
00013 موضوعات
00014 2.1 متغیرهای گسسته و مداوم
00015 2.2 توابع توده احتمالی
00016 2.3 توابع چگالی احتمالی
00017 2.4 تمرینات در توابع احتمالی
00018 2.5 ارزش مورد انتظار
00019 2.6 تمرینات در ارزش مورد انتظار
00020 موضوعات
00021 3.1 میانگین اندازه گیری گرایش مرکزی
00022 3.2 Medians
00023 3.3 حالت
00024 3.4 quantiles - percentiles quartiles و deciles
00025 3.5 قطعه جعبه و -ایسک
00026 3.6 واریانس اندازه گیری پراکندگی
00027 3.7 انحراف استاندارد
00028 3.8 خطای استاندارد
00029 3.9 کوواریانس اندازه گیری وابستگی
00030 3.10. همبستگی
00031 موضوعات
00032 4.1 توزیع احتمال مشترک
00033 4.2 احتمال بالقوه
00034 4.3 احتمال شرطی
00035 4.4 تمرینات
00036 4.5 قانون زنجیره ای احتمالات
00037 4.6 متغیرهای تصادفی مستقل
00038 4.7 استقلال مشروط
00039 موضوعات
00040 5.1 لباس
00041 5.2 Gaussian - عادی و استاندارد طبیعی است
00042 5.3 قضیه محدود مرکزی
00043 5.4 log-normal
00044 5.5 نمایشی و لاپلاس
00045 5.6 Binomial و MultiMial
00046 5.7 پواسون
00047 5.8 توزیع مخلوط
00048 5.9 داده های پیش پردازش برای ورودی مدل
00049 5.10 تمرینات
00050 موضوعات
00051 6.1 چه نظریه اطلاعاتی است
00052 6.2 NATS و بیت های خود اطلاعات
00053 6.3 شانون و آنتروپی دیفرانسیل
00054 6.4 Kullback-Leibler واگرایی و متقابل آنتروپی
00055 موضوعات
00056 7.1 برنامه های آمار به یادگیری ماشین
00057 7.2 بررسی نظریه احتمالی ضروری
00058 7.3 z-scores و outries
00059 7.4 تمرینات بر روی نمرات Z
00060 7.5 p-values
00061 7.6 تمرینات بر روی مقادیر P
00062 موضوعات
00063 8.1 آزمون های تک نمونه ای و درجه آزادی
00064 8.2 آزمون t مستقل
00065 8.3 آزمون t زوج
00066 8.4 برنامه های کاربردی به یادگیری ماشین
00067 8.5 تمرینات
00068 8.6 فاصله اطمینان
00069 8.7 ANOVA - تجزیه و تحلیل واریانس
00070 موضوع
00071 9.1 ضریب همبستگی پیرسون
00072 9.2 ضریب تعیین کننده R-squared
00073 9.3 همبستگی در برابر علیت
00074 9.4 اصلاح برای مقایسه چندگانه
00075 موضوعات
00076 10.1 متغیرهای وابسته مستقل
00077 10.2 رگرسیون خطی برای پیش بینی مقادیر مداوم
00078 10.3 اتصالات یک خط به نقاط در یک هواپیمای دکارتی
00079 10.4 تمرین حداقل مربعات خطی
00080 10.5 حداقل مربعات معمولی
00081 10.6 ویژگی های ساختگی قطعی
00082 10.7 رگرسیون لجستیک برای پیش بینی دسته بندی ها
00083 10.8 تمرینات باز
00084 موضوعات
00085 11.1 یادگیری ماشین در مقابل آمار مکرر
00086 11.2 هنگامی که برای استفاده از آمار بیزی
00087 11.3 احتمالات قبلی
00088 11.4 قضیه Bayes
00089 11.5 منابع برای مطالعه بیشتر احتمال و آمار
00090 احتمال و آمار برای یادگیری ماشین - خلاصه

00001 Probability and Statistics for Machine Learning - Introduction
00002 Topics
00003 1.1 Orientation to the Machine Learning Foundations Series
00004 1.2 What Probability Theory Is
00005 1.3 Events and Sample Spaces
00006 1.4 Multiple Observations
00007 1.5 Factorials and Combinatorics
00008 1.6 Exercises
00009 1.7 The Law of Large Numbers and the Gambler s Fallacy
00010 1.8 Probability Distributions in Statistics
00011 1.9 Bayesian versus Frequentist Statistics
00012 1.10 Applications of Probability to Machine Learning
00013 Topics
00014 2.1 Discrete and Continuous Variables
00015 2.2 Probability Mass Functions
00016 2.3 Probability Density Functions
00017 2.4 Exercises on Probability Functions
00018 2.5 Expected Value
00019 2.6 Exercises on Expected Value
00020 Topics
00021 3.1 The Mean a Measure of Central Tendency
00022 3.2 Medians
00023 3.3 Modes
00024 3.4 Quantiles - Percentiles Quartiles and Deciles
00025 3.5 Box-and-Whisker Plots
00026 3.6 Variance a Measure of Dispersion
00027 3.7 Standard Deviation
00028 3.8 Standard Error
00029 3.9 Covariance a Measure of Relatedness
00030 3.10. Correlation
00031 Topics
00032 4.1 Joint Probability Distribution
00033 4.2 Marginal Probability
00034 4.3 Conditional Probability
00035 4.4 Exercises
00036 4.5 Chain Rule of Probabilities
00037 4.6 Independent Random Variables
00038 4.7 Conditional Independence
00039 Topics
00040 5.1 Uniform
00041 5.2 Gaussian - Normal and Standard Normal
00042 5.3 The Central Limit Theorem
00043 5.4 Log-Normal
00044 5.5 Exponential and Laplace
00045 5.6 Binomial and Multinomial
00046 5.7 Poisson
00047 5.8 Mixture Distributions
00048 5.9 Preprocessing Data for Model Input
00049 5.10 Exercises
00050 Topics
00051 6.1 What Information Theory Is
00052 6.2 Self-Information Nats and Bits
00053 6.3 Shannon and Differential Entropy
00054 6.4 Kullback-Leibler Divergence and Cross-Entropy
00055 Topics
00056 7.1 Applications of Statistics to Machine Learning
00057 7.2 Review of Essential Probability Theory
00058 7.3 z-scores and Outliers
00059 7.4 Exercises on z-scores
00060 7.5 p-values
00061 7.6 Exercises on p-values
00062 Topics
00063 8.1 Single-Sample t-tests and Degrees of Freedom
00064 8.2 Independent t-tests
00065 8.3 Paired t-tests
00066 8.4 Applications to Machine Learning
00067 8.5 Exercises
00068 8.6 Confidence Intervals
00069 8.7 ANOVA - Analysis of Variance
00070 Topics
00071 9.1 The Pearson Correlation Coefficient
00072 9.2 R-squared Coefficient of Determination
00073 9.3 Correlation versus Causation
00074 9.4 Correcting for Multiple Comparisons
00075 Topics
00076 10.1 Independent versus Dependent Variables
00077 10.2 Linear Regression to Predict Continuous Values
00078 10.3 Fitting a Line to Points on a Cartesian Plane
00079 10.4 Linear Least Squares Exercise
00080 10.5 Ordinary Least Squares
00081 10.6 Categorical Dummy Features
00082 10.7 Logistic Regression to Predict Categories
00083 10.8 Open-Ended Exercises
00084 Topics
00085 11.1 Machine Learning versus Frequentist Statistics
00086 11.2 When to Use Bayesian Statistics
00087 11.3 Prior Probabilities
00088 11.4 Bayes Theorem
00089 11.5 Resources for Further Study of Probability and Statistics
00090 Probability and Statistics for Machine Learning - Summary