این دوره برای تمرین و مشتاق دانشمندان داده و آمار. این چهارمین توالی چهار دوره ای است که مبانی آمار بیزی را معرفی می کند. این بر اساس دوره آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها، تکنیک ها و مدل ها، و مدل های مخلوط است. تجزیه و تحلیل سری های زمانی با مدل سازی وابستگی بین عناصر یک دنباله از متغیرهای زمانی مرتبط است. برای موفقیت در این دوره باید با احتمالات مبتنی بر حساب دیفرانسیل و انتگرال، اصول تخمین حداکثر درستنمایی و استنتاج بیزی آشنا باشید. شما یاد خواهید گرفت که چگونه مدل هایی بسازید که می توانند وابستگی های زمانی را توصیف کنند و چگونه استنتاج و پیش بینی بیزی را برای مدل ها انجام دهید. شما آنچه را که آموخته اید با نرم افزار منبع باز و رایگان در دسترس R با پایگاه داده های نمونه اعمال خواهید کرد. مربی شما راکل پرادو شما را از مفاهیم اولیه برای مدل‌سازی داده‌های وابسته به زمانی تا اجرای کلاس‌های خاصی از مدل‌ها راهنمایی می‌کند.

این دومین مورد از یک دنباله دو دوره ای است که مبانی آمار بیزی را معرفی می کند. این بر اساس دوره آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها است که روش های بیزی را با استفاده از مدل های مزدوج ساده معرفی می کند. داده‌های دنیای واقعی اغلب به مدل‌های پیچیده‌تری برای رسیدن به نتایج واقعی نیاز دارند. این دوره با هدف گسترش "جعبه ابزار بیزی" ما با مدل های عمومی تر و تکنیک های محاسباتی متناسب با آنها است. به طور خاص، ما روش‌های مونت کارلوی زنجیره مارکوف (MCMC) را معرفی می‌کنیم که امکان نمونه‌گیری از توزیع‌های پسینی را که هیچ راه‌حل تحلیلی ندارند، می‌سازد. ما از نرم افزار منبع باز و رایگان در دسترس R (برخی تجربه فرض می شود، به عنوان مثال، تکمیل دوره قبلی در R) و JAGS (بدون نیاز به تجربه) استفاده خواهیم کرد. ما یاد خواهیم گرفت که چگونه مدل های آماری بیزی را بسازیم، برازش کنیم، ارزیابی کنیم و مقایسه کنیم تا به سوالات علمی شامل داده های پیوسته، باینری و شمارش پاسخ دهیم. این دوره فیلم های سخنرانی، نمایش های کامپیوتری، خواندن، تمرین ها و تابلوهای بحث را برای ایجاد یک تجربه یادگیری فعال ترکیب می کند. این سخنرانی‌ها برخی از پیشرفت‌های ریاضی پایه، توضیحاتی در مورد فرآیند مدل‌سازی آماری، و چند تکنیک مدل‌سازی اساسی که معمولاً توسط آماردانان استفاده می‌شود، ارائه می‌دهد. نمایش‌های رایانه‌ای راه‌حل‌های دقیق و عملی را ارائه می‌دهند. تکمیل این دوره به شما امکان می دهد تا به طیف گسترده ای از ابزارهای تحلیلی بیزی دسترسی داشته باشید که بر اساس داده های شما قابل تنظیم هستند.

آمار بیزی: مدل های مخلوط شما را با دسته مهمی از مدل های آماری آشنا می کند. این دوره در پنج ماژول سازماندهی شده است که هر کدام شامل فیلم های سخنرانی، آزمون های کوتاه، خواندن پس زمینه، پیشنهادات بحث و یک یا چند تکالیف بررسی شده است. بهتر است آمار را با انجام آن یاد بگیرید، نه فقط با تماشای یک ویدیو، بنابراین ساختار این دوره به شما کمک می کند تا از طریق برنامه یاد بگیرید. برخی از تمرین ها نیاز به استفاده از R، یک بسته نرم افزاری آماری رایگان دارند. یک آموزش مختصر ارائه شده است، اما ما شما را تشویق می کنیم که در صورت علاقه از بسیاری از منابع دیگر آنلاین برای یادگیری R استفاده کنید. این دوره در سطح متوسط ​​است و پس از هربی لی "آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها" و "آمار بیزی: تکنیک ها و مدل ها" متیو هاینر، سومین دوره در سری UC سانتا کروز در مورد آمار بیزی طراحی شده است. برای موفقیت در دوره، باید اطلاعاتی در مورد احتمالات مبتنی بر حساب دیفرانسیل و انتگرال، اصول تخمین حداکثر احتمال، و تخمین بیزی داشته باشید.

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • با استفاده از مفاهیم احتمال، متغیرهای تصادفی، و توزیع احتمال، عدم قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین را توصیف و کمی کنید. • درک بصری و شهودی خواص توزیع‌های احتمال رایج در یادگیری ماشین و علم داده مانند توزیع‌های برنولی، دوجمله‌ای و گاوسی • روش‌های آماری رایج مانند برآورد حداکثر احتمال (MLE) و حداکثر تخمین پیشینی (MAP) را برای مشکلات یادگیری ماشین اعمال کنید. • ارزیابی عملکرد مدل های یادگیری ماشین با استفاده از تخمین های بازه ای و حاشیه خطاها • استفاده از مفاهیم آزمون فرضیه های آماری در آزمون های رایج در علم داده مانند آزمون AB • تجزیه و تحلیل داده های اکتشافی را روی یک مجموعه داده برای یافتن، اعتبارسنجی و کمی کردن الگوها انجام دهید. بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

در این دوره، کاوش خود را در مورد تکنیک های استنتاج آماری با تمرکز بر علم و هنر تطبیق مدل های آماری با داده ها گسترش خواهیم داد. ما بر روی مفاهیم ارائه شده در دوره استنتاج آماری (دوره 2) برای تأکید بر اهمیت اتصال سؤالات تحقیق به روش های تجزیه و تحلیل داده های خود، تکیه خواهیم کرد. ما همچنین بر اهداف مختلف مدل سازی، از جمله استنتاج در مورد روابط بین متغیرها و ایجاد پیش بینی برای مشاهدات آینده، تمرکز خواهیم کرد. این دوره تکنیک های مختلف مدل سازی آماری از جمله رگرسیون خطی، رگرسیون لجستیک، مدل های خطی تعمیم یافته، مدل های اثرات سلسله مراتبی و ترکیبی (یا چند سطحی) و تکنیک های استنتاج بیزی را معرفی و بررسی می کند. همه تکنیک‌ها با استفاده از مجموعه‌های داده واقعی نشان داده می‌شوند، و این دوره بر رویکردهای مدل‌سازی مختلف برای انواع مختلف مجموعه داده‌ها، بسته به طرح مطالعه زیربنای داده‌ها تأکید می‌کند (اشاره به دوره 1، درک و تجسم داده‌ها با پایتون) . در طول این جلسات مبتنی بر آزمایشگاه، فراگیران از طریق آموزش هایی با تمرکز بر مطالعات موردی خاص برای کمک به تقویت مفاهیم آماری هفته، که شامل غواصی عمیق بیشتر در کتابخانه های پایتون از جمله Statsmodels، Pandas و Seaborn است، کار خواهند کرد. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

هدف این دوره کمک به شما برای استنتاج آماری بهتر از تحقیقات تجربی است. ابتدا، نحوه تفسیر صحیح مقادیر p، اندازه اثر، فواصل اطمینان، عوامل بیز، و نسبت‌های احتمال را مورد بحث قرار می‌دهیم، و اینکه چگونه این آمار به سوالات مختلفی که ممکن است به آنها علاقه مند باشید پاسخ می‌دهند. سپس، نحوه طراحی آزمایش‌هایی را که نرخ مثبت کاذب کنترل می شود و چگونه می توان در مورد حجم نمونه برای مطالعه خود تصمیم گرفت، به عنوان مثال به منظور دستیابی به قدرت آماری بالا. متعاقباً، یاد خواهید گرفت که چگونه شواهد را در ادبیات علمی با توجه به سوگیری انتشار گسترده تفسیر کنید، برای مثال با یادگیری در مورد تجزیه و تحلیل منحنی p. در نهایت، ما در مورد چگونگی انجام فلسفه علم، ساخت نظریه، و علم تجمعی، از جمله نحوه انجام مطالعات تکرار، چرایی و نحوه پیش ثبت نام آزمایش خود، و نحوه به اشتراک گذاشتن نتایج خود با رعایت اصول علوم باز صحبت خواهیم کرد. به طور عملی، به صورت عملی، یاد خواهید گرفت که چگونه آزمون های t را شبیه سازی کنید تا بفهمید کدام مقادیر p را می توانید انتظار داشته باشید، نسبت احتمال را محاسبه کنید و آمار بیزی دو جمله ای را معرفی کنید، و در مورد ارزش پیش بینی مثبت که احتمال منتشر شده را بیان می کند، یاد خواهید گرفت. یافته های تحقیق درست است ما مشکلات مربوط به توقف اختیاری را تجربه خواهیم کرد و نحوه جلوگیری از این مشکلات را با استفاده از تحلیل های متوالی یاد خواهیم گرفت. اندازه افکت‌ها را محاسبه می‌کنید، خواهید دید که فواصل اطمینان از طریق شبیه‌سازی چگونه کار می‌کنند، و انجام تحلیل‌های توان پیشینی را تمرین می‌کنید. در نهایت، یاد خواهید گرفت که چگونه با استفاده از آزمون هم ارزی و آمار بیزی صحت فرضیه صفر را بررسی کنید و چگونه یک مطالعه را از قبل ثبت کنید و داده های خود را در چارچوب علوم باز به اشتراک بگذارید. اکنون همه ویدیوها زیرنویس چینی دارند. بیش از 30000 زبان آموز تاکنون ثبت نام کرده اند! اگر از این دوره لذت بردید، می توانم توصیه کنم آن را با دوره جدید "بهبود سوالات آماری شما" دنبال کنید.