هدف از این دوره معرفی روش های مونت کارلو زنجیره مارکوف برای مدل سازی و استنتاج بیزی است، شرکت کنندگان با یادگیری اصول اولیه روش های مونت کارلو شروع می کنند. این با مثال‌های عملی در پایتون تقویت می‌شود که برای نشان دادن نحوه کار این الگوریتم‌ها استفاده می‌شود. این دومین دوره از یک تخصص شامل سه دوره خواهد بود. از نوت بوک های پایتون و ژوپیتر در طول این دوره برای نشان دادن و انجام مدل سازی بیزی با PyMC3 استفاده می شود. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرس این دوره دکتر Srijith Rajamohan خواهد بود.

دوره «تحلیل رگرسیون» دانشجویان را با مفاهیم اساسی یکی از مهم ترین روش های یادگیری تحت نظارت یعنی رگرسیون مجهز می کند. شرکت کنندگان تکنیک های مختلف رگرسیون را بررسی می کنند و یاد می گیرند که چگونه آنها را به طور موثر ارزیابی کنند. علاوه بر این، دانش‌آموزان در موضوعات پیشرفته، از جمله رگرسیون چند جمله‌ای، تکنیک‌های منظم‌سازی (ریج، کمند، و شبکه الاستیک)، اعتبارسنجی متقاطع و روش‌های گروهی (کیسه‌بندی، تقویت، و انباشتن) تخصص کسب خواهند کرد. از طریق آموزش های تعاملی و مطالعات موردی عملی، دانش آموزان تجربه عملی در استفاده از تحلیل رگرسیون در سناریوهای داده های دنیای واقعی به دست خواهند آورد. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک اصول و اهمیت تحلیل رگرسیون در یادگیری تحت نظارت. 2. مفاهیم و کاربردهای رگرسیون خطی و تفسیر آن را در مجموعه داده های دنیای واقعی درک کنید. 3. رگرسیون چند جمله ای را برای به دست آوردن روابط غیرخطی بین متغیرها کاوش کنید. 4. برای جلوگیری از برازش بیش از حد و بهبود تعمیم مدل، از تکنیک های منظم سازی (ریج، کمند، و شبکه الاستیک) استفاده کنید. 5. روش های اعتبارسنجی متقابل را برای ارزیابی عملکرد مدل و بهینه سازی هایپرپارامترها اجرا کنید. 6. درک روش های مجموعه (کیسه، تقویت، و پشته) و نقش آنها در افزایش دقت مدل رگرسیون. 7. ارزیابی و مقایسه عملکرد مدل های رگرسیون مختلف با استفاده از معیارهای مناسب. 8. استفاده از تکنیک های تحلیل رگرسیون برای مطالعات موردی در دنیای واقعی، تصمیم گیری مبتنی بر داده. در طول دوره، دانش آموزان فعالانه در آموزش ها و مطالعات موردی شرکت می کنند، مهارت های تحلیل رگرسیون خود را تقویت می کنند و تجربه عملی در استفاده از تکنیک های رگرسیون در مجموعه داده های متنوع به دست می آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان برای برتری در وظایف تحلیل رگرسیون و تصمیم گیری آگاهانه با استفاده از مدل های رگرسیون به خوبی مجهز خواهند شد.

این دوره یادگیرنده را با یادگیری ماشینی کاربردی آشنا می‌کند و بیشتر بر روی تکنیک‌ها و روش‌ها تمرکز می‌کند تا آمار پشت این روش‌ها. این دوره با بحث در مورد اینکه چگونه یادگیری ماشینی با آمار توصیفی متفاوت است شروع می شود و جعبه ابزار یادگیری scikit را از طریق یک آموزش معرفی می کند. موضوع ابعاد داده ها مورد بحث قرار خواهد گرفت و وظیفه خوشه بندی داده ها و همچنین ارزیابی آن خوشه ها مورد بررسی قرار خواهد گرفت. رویکردهای نظارت شده برای ایجاد مدل‌های پیش‌بینی شرح داده می‌شود و یادگیرندگان می‌توانند همزمان با درک مسائل فرآیند مربوط به تعمیم‌پذیری داده‌ها، از روش‌های مدل‌سازی پیش‌بینی یادگیری scicit استفاده کنند (مانند اعتبار سنجی متقابل، برازش بیش از حد). این دوره با نگاهی به تکنیک های پیشرفته تر مانند ساخت مجموعه ها و محدودیت های عملی مدل های پیش بینی پایان خواهد یافت. در پایان این دوره، دانش آموزان قادر خواهند بود تفاوت بین تکنیک نظارت شده (طبقه بندی) و بدون نظارت (خوشه بندی) را شناسایی کنند، تشخیص دهند که کدام تکنیک را برای یک مجموعه داده و نیاز خاص به کار می برند، ویژگی های مهندسی برای برآورده کردن آن نیاز، و کد پایتون را بنویسید تا تحلیل انجام شود. این دوره باید بعد از مقدمه ای بر علم داده در پایتون و رسم کاربردی، نمودار و بازنمایی داده در پایتون و قبل از متن کاوی کاربردی در پایتون و تحلیل اجتماعی کاربردی در پایتون گذرانده شود.