داده های خود را با استفاده از چارچوبی از برازش مدل و تجزیه و تحلیل آماری ساخته شده در زبان Wolfram تجزیه و تحلیل کنید. خواه این آمار توصیفی و اکتشافی اولیه باشد یا مدل‌سازی پیشرفته با توزیع‌های آماری، می‌توانید این دوره ویدیویی را دنبال کنید تا درکی از عملکردهای آماری موجود در زبان Wolfram به دست آورید. موضوعات پوشش داده شده شامل اندازه گیری های توصیفی، تبدیل ها، خوشه بندی پایه، توزیع های آماری، تخمین پارامتر و آزمون فرضیه می باشد. موضوعات پیشرفته در استفاده از توابع بهینه‌سازی، توابع جبر خطی، تحلیل واریانس (ANOVA) و مدل‌های خطی لاجیت تعمیم‌یافته و پروبیت نیز بررسی می‌شوند.

 این دوره نمونه هایی از انواع برنامه های تحلیل موجک در زبان Wolfram، از جمله سری های زمانی مالی، تشخیص لبه و حذف نویز تصاویر، آستانه گذاری، فشرده سازی تصویر و داده ها، و ادغام تصویر را ارائه می دهد. آشنایی با تبدیل های فوریه و روش های هموارسازی داده ها برای این کلاس توصیه می شود. یاد بگیرید که یک سری زمانی را با استفاده از موجک ها برای تشخیص ناپیوستگی ها، جداسازی پیک ها و بازرسی رفتارهای غیر ایستا تجزیه و تحلیل کنید. اعمال تجزیه و تحلیل موجک به داده های مالی؛ تشخیص لبه ها و ناپیوستگی ها در تصاویر و سایر داده های دو بعدی؛ کاهش نویز در تصاویر با حذف اجزای فرکانس بالاتر. و بیشتر.

 موجک ها سیگنال را به تقریب ها و جزئیات در مقیاس های مختلف تجزیه می کنند و آنها را برای کاربردهایی مانند فشرده سازی داده ها، تشخیص ویژگی ها و حذف نویز از سیگنال ها مفید می کنند. این دوره از تحقیقات Wolfram برخی از نظریه‌های تبدیل موجک پیوسته، گسسته و ثابت را توضیح می‌دهد و نشان می‌دهد که چگونه زبان Wolfram و توابع داخلی آن می‌تواند برای ساخت، محاسبه، تجسم و تجزیه و تحلیل تبدیل‌های موجک و توابع مرتبط استفاده شود.

 این دوره ویژگی ها و عملکردهای موجود در Wolfram Language را برای خواندن و نوشتن داده ها در بلاک چین ها نشان می دهد. مثال‌ها تراکنش‌های یک کیف پول رمزنگاری واقعی و همچنین طیف گسترده‌ای از سرویس‌های خارجی و API را نشان می‌دهند که در کنار هم با فناوری Wolfram کار می‌کنند. برای یادگیری نحوه اتصال به بلاک چین و دسترسی به اطلاعات مربوط به ویژگی های آن، دریافت اطلاعات در مورد توکن ها، تعامل با قراردادهای هوشمند، این دوره را بررسی کنید. از توابع داخلی Wolfram Language برای کاوش داده های بلاک چین، انجام تبدیل ارزهای دیجیتال و خواندن و نوشتن داده ها در بلاک چین استفاده کنید.

 زبان Wolfram شامل مجموعه کاملی از فرآیندهای تصادفی و توزیع‌های آماری است که می‌تواند با طیف وسیعی از پدیده‌های بازار تطبیق داده شود. این دوره با توضیح مدل‌سازی قیمت سهام، پرتفوی، بازده شاخص، اوراق قرضه، قیمت اختیار معامله، نرخ ارز و ریسک مشروط با استفاده از فرآیندهای تصادفی مانند فرآیند ARCH، سری‌های زمانی با ارزش برداری، مدل ARMA، مدل چن، این موضوع را نشان می‌دهد. فرآیند ایتو و انتشار پرش مرتون. نحوه دسترسی به داده های مالی از پایگاه دانش Wolfram، صاف کردن و تبدیل داده ها، ساخت مدل هایی برای بررسی قیمت سهام و بازده، آزمایش انواع مختلف مدل ها، بررسی الگوهای توزیع قیمت ها و بازده ها و موارد دیگر را بیاموزید.

 این دوره مروری بر برخی از عملکردهای تجسم آماری ساخته شده در زبان Wolfram ارائه می دهد. موضوعات شامل بازرسی بصری شکل داده ها و مقایسه با توزیع ها و مجموعه داده ها، نمودارهای کمیت، نمودارهای جعبه و ویسکر، نمودارهای احتمال و نمودارهای توزیع است. این کلاس برای کسانی است که آشنایی اولیه با زبان Wolfram و دانش عمومی آماری دارند. نحوه استفاده از QuantilePlot و ProbabilityPlot را برای مقایسه مجموعه داده ها با توزیع های مرجع، رسم داده ها بر روی مقیاس های احتمال برای توزیع های داخلی رایج، و تجسم میانه ها، میانگین ها، چارک ها، نقاط پرت و فواصل اطمینان را با استفاده از نمودارهای جعبه و سبیل یاد بگیرید.

 با کمک زبان Wolfram می‌توانید یادگیری ماشین را در زمینه‌های موضوعی مختلف بدون دانش سطح متخصص اعمال کنید. در حالی که می‌توانید مدل‌های پیچیده را از ابتدا بسازید، می‌توانید از هر یک از مدل‌های از پیش آموزش‌دیده موجود در ورودی‌های مختلف مانند متن، اعداد و تصاویر نیز استفاده کنید. این دوره مقدمه ای بر بسیاری از توابع یادگیری ماشینی در دسترس برای کارهای گسترده ای مانند شناسایی تصویر، تشخیص متن، طبقه بندی احساسات و موارد دیگر ارائه می دهد. قابلیت‌های یادگیری ماشین خودکار زبان Wolfram را از طریق مثال‌ها کاوش کنید، و یاد بگیرید که وظایف یادگیری ماشینی ساده را بر روی انواع ورودی‌های مختلف اجرا کنید، از مدل‌های نام‌گذاری‌شده و سفارشی آموزش‌دیده برای انجام وظایف طبقه‌بندی استفاده کنید، و یادگیری ماشین را در بینایی کامپیوتر، متن و استفاده کنید. وظایف پردازش زبان طبیعی