در برنامه های تجاری مدل های زبان بزرگ (LLM) کاوش کنید. کشف کنید که چگونه آنها به کسب و کارها قدرت می دهند تا گردش کار خود را بهبود بخشند و در عصر جدید مبتنی بر هوش مصنوعی به موفقیت دست یابند. درک عناصر اساسی آنها شما را با بینش های کلیدی در مورد LLM و تأثیر آنها بر تجارت مدرن مجهز می کند.

این دوره با مرور شیب‌ها و بریدگی‌ها در رگرسیون‌های خطی قبل از رفتن به جلوه‌های تصادفی آغاز می‌شود. شما یاد خواهید گرفت که یک افکت تصادفی چیست و چگونه از آن برای مدل سازی داده های خود استفاده کنید. در مرحله بعد، دوره رگرسیون خطی با اثر مختلط را پوشش می دهد. این مدل‌های قدرتمند به شما این امکان را می‌دهند که داده‌ها را با ساختار پیچیده‌تری نسبت به رگرسیون خطی استاندارد کاوش کنید. این دوره سپس رگرسیون خطی با اثر مختلط تعمیم یافته را آموزش می دهد. مدل‌های با جلوه‌های ترکیبی خطی تعمیم‌یافته به شما امکان می‌دهند انواع بیشتری از داده‌ها، از جمله پاسخ‌های باینری و داده‌های شمارش را مدل‌سازی کنید. در نهایت، این دوره به تجزیه و تحلیل اندازه گیری های مکرر به عنوان یک مورد خاص از مدل سازی با اثر مختلط می پردازد. این نوع داده ها زمانی ظاهر می شوند که افراد در طول زمان دنبال شوند و اندازه گیری ها در فواصل زمانی جمع آوری شوند. در طول دوره شما با داده های واقعی کار خواهید کرد تا با استفاده از مدل های اثرات مختلط به سؤالات جالب پاسخ دهید.

مدل‌سازی مخلوط راهی برای نمایش جمعیت‌ها در زمانی است که به ناهمگونی آنها علاقه مندیم. مدل‌های مخلوط از توزیع‌های احتمال آشنا (مانند گاوسی، پواسون، دوجمله‌ای) برای ارائه یک چارچوب آماری راحت و در عین حال رسمی برای خوشه‌بندی و طبقه‌بندی استفاده می‌کنند. برخلاف رویکردهای خوشه‌بندی استاندارد، می‌توانیم احتمال تعلق به یک خوشه را تخمین بزنیم و در مورد جمعیت‌های فرعی استنتاج کنیم. به عنوان مثال، در زمینه بازاریابی، ممکن است بخواهید گروه های مختلف مشتریان را دسته بندی کنید و احتمال خرید محصولات خاص آنها را پیدا کنید تا آنها را با تبلیغات سفارشی بهتر هدف قرار دهید. هنگام استفاده از پردازش زبان طبیعی برای مجموعه بزرگی از اسناد، ممکن است بخواهید اسناد را در موضوعات مختلف دسته بندی کنید و درک کنید که هر موضوع در هر سند چقدر اهمیت دارد. در این دوره آموزشی، می آموزید که مدل های مخلوط چیست، چگونه تخمین زده می شوند و چه زمانی مناسب است آنها را اعمال کنید!

مردم هر روز انتخاب می کنند. آنها محصولاتی مانند آب پرتقال یا ماشین را انتخاب می‌کنند، تصمیم می‌گیرند به چه کسی رای بدهند و نحوه رسیدن به محل کار را انتخاب می‌کنند. بازاریابان، خرده فروشان، طراحان محصول، دانشمندان علوم سیاسی، برنامه ریزان حمل و نقل، جامعه شناسان و بسیاری دیگر می خواهند بفهمند چه چیزی باعث این انتخاب ها می شود. مدل‌های انتخاب پیش‌بینی می‌کنند که افراد چه چیزی را به عنوان تابعی از ویژگی‌های گزینه‌های موجود انتخاب می‌کنند و می‌توانند برای تصمیم‌گیری‌های مهم طراحی محصول مورد استفاده قرار گیرند. این دوره به شما یاد می دهد که چگونه داده های انتخابی را سازماندهی کنید، مدل های انتخاب را در R تخمین بزنید و یافته ها را ارائه دهید. این دوره هم تجزیه و تحلیل انتخاب های مشاهده شده در دنیای واقعی و هم رویکرد مبتنی بر نظرسنجی به نام تحلیل مشترک را پوشش می دهد.

رویکرد بیزی به آمار و یادگیری ماشینی منطقی، انعطاف‌پذیر و شهودی است. در این دوره، شما یک خانواده از مدل های بیزی پایه و قابل تعمیم را مهندسی و تجزیه و تحلیل خواهید کرد. دامنه این مدل‌ها از مدل‌های یک پارامتری اساسی تا مدل‌های رگرسیون خطی چند متغیره و تعمیم‌یافته میانی است. محبوبیت چنین مدل های بیزی همراه با در دسترس بودن منابع محاسباتی مورد نیاز برای اجرای آنها افزایش یافته است. شما از یکی از این منابع استفاده خواهید کرد - بسته rjags در R. با ترکیب قدرت R با موتور JAGS (Just Another Gibbs Sampler)، rjags چارچوبی برای مدل‌سازی، استنتاج و پیش‌بینی بیزی ارائه می‌دهد.