این دوره معیارهای تمایل مرکزی و پراکندگی مورد نیاز برای شناسایی بینشهای کلیدی در دادهها را پوشش میدهد. همچنین پوشش میدهد؛ همبستگی، کوواریانس، چولگی، کشیدگی، و پیادهسازی در کتابخانههای پایتون مانند Pandas، SciPy و StatsModels.
آنچه خواهید آموخت:
ابزارهای یادگیری ماشین - الگوریتمها، تکنیکهای راهحل، و حتی معماری شبکههای عصبی، در حال تبدیل شدن به کالا هستند. این روزها همه از ابزارهای یکسانی استفاده میکنند، بنابراین مزیت شما باید از نحوه تطبیق این ابزارها با دادههایتان باشد.
نمونه ویدیوی آموزشی ( زیرنویسها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :
[ENGLISH]
01 Course Overview [2mins]
01-01 Course Overview [2mins]
02 Understanding Descriptive Statistics [47mins]
02-01 Version Check [0mins]
02-02 Module Summary [1mins]
02-03 Prerequisites and Course Outline [1mins]
02-04 Introducing Descriptive Statistics [4mins]
02-05 Measures of Central Tendency [8mins]
02-06 Measures of Dispersion [5mins]
02-07 Understanding Variance [3mins]
02-08 The Gaussian Distribution [4mins]
02-09 Sampling Distribution to Estimate Population Mean [5mins]
02-10 Confidence Intervals [6mins]
02-11 Skewness and Kurtosis [5mins]
02-12 Covariance and Correlation [4mins]
02-13 Module Summary [1mins]
03 Working with Descriptive Statistics Using Pandas [50mins]
03-01 Module Overview [2mins]
03-02 Demo: Getting Started with Pandas [4mins]
03-03 Demo: Mean and Median [7mins]
03-04 Demo: Influence of Outliers on Mean and Median [4mins]
03-05 Demo: Quantiles and the Interquartile Range [5mins]
03-06 Demo: Variance and Standard Deviation [3mins]
03-07 Demo: Interpreting and Visualizing Summary Statistics [6mins]
03-08 Demo: Skewness and Kurtosis [5mins]
03-09 Demo: Covariance and Correlation [6mins]
03-10 Demo: Calculating and Visualizing Confidence Intervals [6mins]
03-11 Module Summary [2mins]
04 Working with Descriptive Statistics Using SciPy and Statsmodels [42mins]
04-01 Module Overview [2mins]
04-02 Demo: Mean and Median [5mins]
04-03 Demo: Influence of Outliers and Mode [3mins]
04-04 Demo: Interquartile Range Variance and Standard Deviation [7mins]
04-05 Demo: Z-scores Using SciPy [7mins]
04-06 Demo: Skewness and Kurtosis for Stock Returns [6mins]
04-07 Demo: Descriptive Statistics and Regression Analysis on Bivariate and Multivariate Data [7mins]
04-08 Demo: Calculating and Interpreting Confidence Intervals [3mins]
04-09 Summary and Further Study [2mins]
[فارسی]
01 بررسی اجمالی دوره [2 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]
02 درک آمار توصیفی [47 دقیقه]
02-01 بررسی نسخه [0 دقیقه]
02-02 خلاصه ماژول [1 دقیقه]
02-03 پیش نیازها و خلاصه دوره [1 دقیقه]
02-04 معرفی آمار توصیفی [4 دقیقه]
02-05 اقدامات گرایش مرکزی [8 دقیقه]
02-06 اندازه گیری پراکندگی [5 دقیقه]
02-07 درک واریانس [3 دقیقه]
02-08 توزیع گاوسی [4 دقیقه]
02-09 توزیع نمونه برای تخمین میانگین جمعیت [5 دقیقه]
02-10 فواصل اطمینان [6 دقیقه]
02-11 چولگی و کورتوز [5 دقیقه]
02-12 کوواریانس و همبستگی [4 دقیقه]
02-13 خلاصه ماژول [1 دقیقه]
03 کار با آمار توصیفی با استفاده از Pandas [50 دقیقه]
03-01 نمای کلی ماژول [2 دقیقه]
03-02 نسخهی نمایشی- شروع به کار با Pandas [4 دقیقه]
03-03 نسخه نمایشی- میانگین و میانه [7 دقیقه]
03-04 نسخهی نمایشی- تأثیر نقاط پرت بر میانگین و میانه [4 دقیقه]
03-05 نسخهی نمایشی- Quantiles and the Interquartile Range [5 دقیقه]
03-06 نسخه نمایشی- واریانس و انحراف استاندارد [3 دقیقه]
03-07 نسخهی نمایشی- تفسیر و تجسم آمار خلاصه [6 دقیقه]
03-08 نسخهی نمایشی- چولگی و کورتوز [5 دقیقه]
03-09 نسخهی نمایشی- کوواریانس و همبستگی [6 دقیقه]
03-10 نسخهی نمایشی- محاسبه و تجسم فواصل اطمینان [6 دقیقه]
03-11 خلاصه ماژول [2 دقیقه]
04 کار با آمار توصیفی با استفاده از SciPy و Statsmodels [42 دقیقه]
04-01 نمای کلی ماژول [2 دقیقه]
04-02 نسخه نمایشی- میانگین و میانه [5 دقیقه]
04-03 نسخهی نمایشی- تأثیر نقاط دورتر و حالت [3 دقیقه]
04-04 نسخهی نمایشی- واریانس محدوده بین چارکی و انحراف استاندارد [7 دقیقه]
04-05 نسخهی نمایشی- امتیاز Z با استفاده از SciPy [7 دقیقه]
04-06 نسخهی نمایشی- چولگی و کرتوز برای بازده سهام [6 دقیقه]
04-07 نسخهی نمایشی- آمار توصیفی و تحلیل رگرسیون بر روی دادههای دو متغیره و چند متغیره [7 دقیقه]
04-08 نسخهی نمایشی- محاسبه و تفسیر فواصل اطمینان [3 دقیقه]
04-09 خلاصه و مطالعه بیشتر [2 دقیقه]
جانانی دارای مدرک کارشناسی ارشد از استنفورد است و بیش از 7 سال در گوگل کار کرده است. او یکی از مهندسان اصلی Google Docs بود و دارای 4 پتنت برای فریمورک ویرایش مشارکتی بلادرنگ آن است. جانانی پس از گذراندن سالها کار در فناوری در منطقه خلیج، نیویورک و سنگاپور در شرکتهایی مانند مایکروسافت، گوگل و فلیپکارت، سرانجام تصمیم گرفت عشق خود به فناوری را با علاقهاش به تدریس ترکیب کند. او اکنون یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارتهای فنی متمرکز است. Loonycorn در حال کار بر روی توسعه یک موتور (پتنت ثبت شده) برای خودکارسازی انیمیشنها برای ارائهها و محتوای آموزشی است.