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.

خوش آمدید! آیا می خواهید بدانید چگونه با ابزارهای تجزیه و تحلیل داده ها سوالات تجاری و اقتصادی را تجزیه و تحلیل و حل کنید؟ سپس Econometrics توسط دانشگاه اراسموس روتردام دوره مناسبی برای شما است، زیرا یاد می‌گیرید چگونه داده‌ها را به مدل‌هایی برای پیش‌بینی و حمایت از تصمیم‌گیری ترجمه کنید. * چه چیزی یاد بگیرم؟ وقتی اقتصاد سنجی می دانید، می توانید داده ها را به مدل هایی برای پیش بینی ها و حمایت از تصمیم گیری در زمینه های مختلف، از اقتصاد کلان گرفته تا امور مالی و بازاریابی، تبدیل کنید. دوره ما با سخنرانی های مقدماتی در مورد رگرسیون ساده و چندگانه شروع می شود و به دنبال آن موضوعات مورد علاقه ویژه برای پرداختن به مشخصات مدل، متغیرهای درون زا، داده های انتخاب باینری و داده های سری زمانی قرار می گیرد. این موضوعات کلیدی در اقتصاد سنجی را با تماشای ویدئوها با آزمون های درون ویدئویی و با انجام تمرین های آموزشی پس از ویدئو یاد می گیرید. * آیا به دانش قبلی نیاز دارم؟ این دوره برای دانشجویان (در مقطع کارشناسی ارشد) در اقتصاد، مالی، بازرگانی، مهندسی و تجزیه و تحلیل داده ها و همچنین برای کسانی که در این زمینه ها کار می کنند مناسب است. این دوره به برخی اصول اولیه ماتریس ها، احتمالات و آمار نیاز دارد که در ماژول Building Blocks بررسی می شوند. اگر به دنبال یک MOOC در اقتصاد سنجی با ماهیت مقدماتی هستید که به پیشینه کمتری در ریاضیات نیاز دارد، ممکن است به دوره Coursera "اقتصاد سنجی لذت بخش" که همچنین از دانشگاه اراسموس روتردام است علاقه مند شوید. * برای حمایت از مطالعاتم از چه ادبیاتی می توانم استفاده کنم؟ شما می توانید MOOC را بدون مطالعه منابع اضافی دنبال کنید. مطالعه بیشتر موضوعات مورد بحث (از جمله بلوک‌های ساختمانی) در کتاب درسی که نوشتیم و MOOC بر آن استوار است ارائه شده است: روش‌های اقتصادسنجی با کاربردها در تجارت و اقتصاد، انتشارات دانشگاه آکسفورد. ارتباط بین ماژول های MOOC و فصل های کتاب در راهنمای دوره نشان داده شده است - اطلاعات بیشتر - چگونه می توانم به تحصیل خود ادامه دهم. * آیا دستیاران آموزشی فعالی خواهند بود که من را در طول دوره راهنمایی کنند؟ کارکنان و دانشجویان دکتری موسسه اقتصاد سنجی ما در ژانویه و فوریه هر سال راهنمایی خواهند کرد. در دوره های دیگر فقط راهنمایی ابتدایی می کنیم. ما همیشه به شما توصیه می کنیم که برای بحث در مورد موضوعات و تمرینات با سایر فراگیران این دوره ارتباط برقرار کنید. * چگونه گواهینامه بگیرم؟ برای کسب گواهینامه این دوره، از شما خواسته می شود که شش تمرین تست (یک مورد در هر ماژول) و یک پروژه موردی را انجام دهید. علاوه بر این، شما فعالیت های بازبینی همتای کار سه نفر از همتایان خود را در این MOOC انجام می دهید. اگر تمام هفت تکالیف را بگذرانید، گواهینامه را دریافت می کنید. سفر خوبی به دنیای اقتصاد سنجی داشته باشید! تیم اقتصاد سنجی

این دوره دومین دوره تخصصی در زمینه یادگیری ماشین برای مبانی زنجیره تامین است. در این دوره، تمام جنبه های سری های زمانی، به ویژه برای پیش بینی تقاضا را بررسی می کنیم. ما با به دست آوردن جای پایی در مفاهیم اساسی پیرامون سری های زمانی، از جمله ایستایی، روند (رانش)، چرخه ای بودن، و فصلی شروع خواهیم کرد. سپس، مدتی را صرف تحلیل روش‌های همبستگی در رابطه با سری‌های زمانی (خودهمبستگی) خواهیم کرد. در نیمه دوم دوره، ما بر روی روش‌هایی برای پیش‌بینی تقاضا با استفاده از سری‌های زمانی، مانند مدل‌های خودرگرسیون تمرکز خواهیم کرد. در نهایت، با پروژه ای نتیجه گیری می کنیم که تقاضا را با استفاده از مدل های ARIMA در پایتون پیش بینی می کند.

به تحلیل سری زمانی عملی خوش آمدید! بسیاری از ما تحلیل گران داده «تصادفی» هستیم. ما در علوم، تجارت یا مهندسی آموزش دیدیم و سپس با داده هایی مواجه شدیم که هیچ آموزش تحلیلی رسمی برای آنها نداریم. این دوره برای افرادی با برخی شایستگی‌های فنی طراحی شده است که بیشتر از یک رویکرد «کتاب آشپزی» می‌خواهند، اما هنوز باید بر روی انواع ارائه و تحلیل معمول تمرکز کنند که درک موضوعات حرفه‌ای ما را عمیق‌تر می‌کند. در تجزیه و تحلیل سری زمانی عملی، ما به مجموعه داده هایی نگاه می کنیم که اطلاعات متوالی را نشان می دهند، مانند قیمت سهام، بارندگی سالانه، فعالیت لکه های خورشیدی، قیمت محصولات کشاورزی و غیره. ما به چندین مدل ریاضی نگاه می کنیم که ممکن است برای توصیف فرآیندهایی که این نوع داده ها را تولید می کنند استفاده شوند. ما همچنین به نمایش های گرافیکی نگاه می کنیم که بینش هایی را در مورد داده های ما ارائه می دهد. در نهایت، ما همچنین یاد می‌گیریم که چگونه پیش‌بینی‌هایی انجام دهیم که چیزهای هوشمندانه‌ای را در مورد انتظارات ما در آینده بیان کند. لطفا چند دقیقه وقت بگذارید و سایت دوره را بررسی کنید. شما سخنرانی های ویدیویی را با مطالب نوشته شده و همچنین آزمون هایی برای کمک به تأکید بر نکات مهم پیدا خواهید کرد. زبان دوره R است، یک پیاده سازی رایگان از زبان S. این یک محیط حرفه ای و نسبتا آسان برای یادگیری است. شما می توانید مطالب مربوط به دوره را با سایر فراگیران خود در میان بگذارید. لطفا کمی وقت بگذارید و خودتان را معرفی کنید! تجزیه و تحلیل سری های زمانی می تواند برای یادگیری تلاش کند - ما سعی کرده ایم ایده هایی را ارائه دهیم که "ماموریت حیاتی" هستند به گونه ای که شما به اندازه کافی از ریاضیات را درک کنید تا از آن راضی شوید و در عین حال فوراً سازنده باشید. امیدواریم از کلاس لذت ببرید!

اگر توسعه‌دهنده نرم‌افزاری هستید که می‌خواهید الگوریتم‌های مقیاس‌پذیر مبتنی بر هوش مصنوعی بسازید، باید بدانید که چگونه از ابزارهای ساخت آنها استفاده کنید. این تخصص به شما بهترین روش‌ها را برای استفاده از TensorFlow، یک چارچوب متن‌باز محبوب برای یادگیری ماشین، آموزش می‌دهد. در این دوره چهارم با نحوه ساخت مدل های سری زمانی در TensorFlow آشنا می شوید. ابتدا بهترین شیوه ها را برای تهیه داده های سری زمانی پیاده سازی خواهید کرد. همچنین بررسی خواهید کرد که چگونه RNN و ConvNets 1D می توانند برای پیش بینی استفاده شوند. در نهایت، همه چیزهایی را که در سرتاسر Specialization آموخته‌اید، برای ساختن یک مدل پیش‌بینی لکه‌های خورشیدی با استفاده از داده‌های دنیای واقعی اعمال خواهید کرد! دوره یادگیری ماشین و تخصص یادگیری عمیق از Andrew Ng مهمترین و اساسی ترین اصول یادگیری ماشین و یادگیری عمیق را آموزش می دهد. این تخصص توسعه‌دهنده DeepLearning.AI TensorFlow به شما می‌آموزد که چگونه از TensorFlow برای پیاده‌سازی این اصول استفاده کنید تا بتوانید شروع به ساخت و استفاده از مدل‌های مقیاس‌پذیر برای مشکلات دنیای واقعی کنید. برای ایجاد درک عمیق تر از نحوه عملکرد شبکه های عصبی، توصیه می کنیم که تخصص یادگیری عمیق را انتخاب کنید.

این دوره شما را با موضوعات اضافی در یادگیری ماشینی آشنا می کند که مکمل وظایف ضروری از جمله پیش بینی و تجزیه و تحلیل داده های سانسور شده است. شما یاد خواهید گرفت که چگونه داده های تجزیه و تحلیل را با مولفه زمانی و داده های سانسور شده که نیاز به استنتاج نتیجه دارند، پیدا کنید. شما چند تکنیک برای تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا خواهید آموخت. بخش عملی این دوره بر استفاده از بهترین شیوه ها و تأیید مفروضات به دست آمده از یادگیری آماری متمرکز است. در پایان این دوره شما باید بتوانید: چالش های رایج مدل سازی را با داده های سری زمانی شناسایی کنید نحوه تجزیه داده های سری زمانی: روند، فصلی و باقیمانده را توضیح دهید نحوه عملکرد مدل های اتورگرسیو، میانگین متحرک و ARIMA را توضیح دهید نحوه انتخاب و پیاده سازی مدل های مختلف سری زمانی را بدانید روش های مدل سازی خطر و بقا را شرح دهید انواع مشکلات مناسب برای تجزیه و تحلیل بقا را شناسایی کنید چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل بقا هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، یادگیری ماشین نظارت شده، یادگیری ماشین بدون نظارت، احتمال و آمار.