بازگشت به دوره‌ها

درباره این دوره

این دوره، سومین و آخرین گام از مجموعه‌ی تخصصی Mathematics for Machine Learning and Data Science محسوب می‌شود و توسط DeepLearning.AI ارائه گردیده است . در یادگیری ماشین، مفاهیم ریاضی از طریق برنامه‌نویسی به کار گرفته می‌شوند؛ از این رو در این دوره، فراگیران مفاهیم احتمال و آمار را با استفاده از زبان پایتون در تمرین‌های عملی آزمایشگاهی پیاده‌سازی می‌کنند . این دوره با بهره‌گیری از روش‌های آموزشی نوآورانه و تجسم‌های بصری، به فراگیران کمک می‌کند تا به‌سرعت و به‌صورت شهودی، ریاضیات پشت یادگیری ماشین را درک نمایند . توانایی کمّی‌سازی عدم‌قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین، یکی از مهارت‌های کلیدی است که در این دوره به آن پرداخته می‌شود . پیش‌نیازها • سطح ریاضیات دبیرستانی (توابع، جبر پایه) • آشنایی با برنامه‌نویسی پایتون در سطح پایه تا متوسط (ساختارهای داده، حلقه‌ها، توابع، عبارات شرطی، اشکال‌زدایی) • تمام کتابخانه‌های مورد نیاز یادگیری ماشین در طول دوره معرفی می‌شوند دستاوردهای یادگیری فراگیران پس از تکمیل دوره، توانایی‌های زیر را کسب خواهند نمود: • توصیف و کمّی‌سازی عدم‌قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین با استفاده از مفاهیم احتمال، متغیرهای تصادفی و توزیع‌های احتمال • درک بصری و شهودی از ویژگی‌های توزیع‌های احتمال پرکاربرد در یادگیری ماشین و علم داده مانند توزیع برنولی، دوجمله‌ای و گاوسی • به‌کارگیری روش‌های آماری رایج مانند برآورد بیشینه‌ی درست‌نمایی (MLE) و برآورد بیشینه‌ی پسین (MAP) در مسائل یادگیری ماشین • ارزیابی عملکرد مدل‌های یادگیری ماشین با استفاده از برآوردهای بازه‌ای و حاشیه‌ی خطا • به‌کارگیری مفاهیم آزمون فرضیه‌ی آماری در آزمون‌های رایج علم داده مانند A/B Testing • انجام تحلیل اکتشافی داده‌ها (EDA) برای یافتن، اعتبارسنجی و کمّی‌سازی الگوها در یک مجموعه‌داده سرفصل‌های دوره هفته‌ی اول: مقدمه‌ای بر احتمال و توزیع‌های احتمال (Introduction to Probability and Probability Distributions) • مفهوم احتمال و قواعد جمع و ضرب احتمال • احتمال شرطی و قضیه‌ی بیز (Bayes Theorem) با مثال‌های کاربردی • متغیرهای تصادفی و تفاوت توزیع‌های گسسته و پیوسته • توزیع‌های برنولی، دوجمله‌ای، یکنواخت و نرمال (گاوسی) • تمرین برنامه‌نویسی: پیاده‌سازی ساده‌ترین مدل بیزی (Naive Bayes) هفته‌ی دوم: توصیف توزیع‌های احتمال و توزیع‌های چندمتغیره (Describing Probability Distributions and Distributions with Multiple Variables) • معیارهای توصیف توزیع‌ها و داده‌ها: میانگین، میانه، نما، واریانس، چولگی (Skewness) و کشیدگی (Kurtosis) • مفهوم امید ریاضی (Expected Value) و کاربرد آن • ابزارهای بصری توصیف داده‌ها: جعبه‌نما (Box Plot)، ویولن‌پلات و QQ Plot • توزیع توأم (Joint Distribution)، توزیع حاشیه‌ای (Marginal) و توزیع شرطی (Conditional) برای دو یا چند متغیر تصادفی • کوواریانس (Covariance)، ضریب همبستگی و ماتریس کوواریانس • تمرین برنامه‌نویسی: تحلیل تاس‌های متقلب (Loaded Dice) هفته‌ی سوم: نمونه‌گیری و برآورد نقطه‌ای (Sampling and Point Estimation) • مفاهیم جمعیت (Population) و نمونه (Sample) • قانون اعداد بزرگ (Law of Large Numbers) و قضیه‌ی حد مرکزی (Central Limit Theorem) • روش برآورد بیشینه‌ی درست‌نمایی (MLE) و ارتباط آن با تابع هزینه‌ی مربعات در رگرسیون خطی • روش برآورد بیشینه‌ی پسین (MAP) و ارتباط آن با منظم‌سازی (Regularization) • آمار بیزی و نقش باورهای پیشین (Prior Beliefs) در تحلیل داده‌ها هفته‌ی چهارم: بازه‌های اطمینان و آزمون فرضیه (Confidence Intervals and Hypothesis Testing) • روش برآورد بازه‌ای (Interval Estimation) و مفهوم بازه‌ی اطمینان (Confidence Interval) • تفسیر صحیح بازه‌های اطمینان و حاشیه‌ی خطا (Margin of Error) • آزمون فرضیه (Hypothesis Testing) و مفهوم مقدار p-value • آزمون‌های رایج: t-test، two-sample t-test و paired t-test • کاربرد آزمون فرضیه در علم داده: A/B Testing دوره‌های تکمیلی پس از اتمام موفقیت‌آمیز این دوره، مجموعه‌ی تخصصی Mathematics for Machine Learning and Data Science به‌طور کامل تکمیل می‌شود . فراگیران می‌توانند برای ادامه‌ی مسیر یادگیری خود، به دوره‌های تخصصی‌تر زیر مراجعه نمایند: • Machine Learning Specialization – مجموعه‌ی تخصصی یادگیری ماشین • Deep Learning Specialization – مجموعه‌ی تخصصی یادگیری عمیق

دوره آمار و حتمال برای یادگیری ماشین و علم داده
دوره آمار و حتمال برای یادگیری ماشین و علم داده

آنچه دریافت می‌کنید

  • زیرنویس فارسی اختصاصی با ترجمه‌ی دقیق
  • مثال‌ها و پروژه های عملی
  • ویدئوها با کیفیت 720p
  • ارائه‌دهنده: DeepLearning.ai
  • زبان: انگلیسی (با زیرنویس فارسی)
  • سطح: مقدماتی
  • مدت: حدود ۲۹ ساعت
  • پلتفرم: Coursera

پرسش‌های متداول

آیا دوره «دوره آمار و حتمال برای یادگیری ماشین و علم داده» زیرنویس فارسی دارد؟

بله. دوره Probability & Statistics for Machine Learning & Data Science 2025 از Coursera با زیرنویس کامل فارسی در Coursin ارائه می‌شود.

مدرس دوره «دوره آمار و حتمال برای یادگیری ماشین و علم داده» کیست؟

این دوره توسط Luis Serrano تدریس می‌شود.

دوره «دوره آمار و حتمال برای یادگیری ماشین و علم داده» چقدر طول می‌کشد؟

مدت این دوره حدود ۲۹ ساعت است.

دوره «دوره آمار و حتمال برای یادگیری ماشین و علم داده» برای چه سطحی مناسب است؟

سطح این دوره مقدماتی است.

قیمت دوره «دوره آمار و حتمال برای یادگیری ماشین و علم داده» چقدر است؟

قیمت دسترسی کامل به این دوره ۷۳۰٬۰۰۰ تومان است.