شما در حال مشاهده ی ارتباط بین دو نمودار Histogram و Boxplot هستید😍🦋
گفته بودیم که هیستوگرام برای داده های کمّی که خودمون دسته بندیشون کردیم به کار میرن. ارتفاع هر مستطیل میشه فراوانی اون دسته.
از طرفی نمودار جعبه ای از پنج تا شاخص min ، max ، میانه ، چارک اول و چارک سوم تشکیل میشه و میتونیم پراکندگی دیتا رو ببینیم.



با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
               آکادمی دیتاسنس
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

آموزش R
              
فانگشن نویسی در R

function in R
برای داشتن یک کدنویسی قوی، علاوه بر یادگیری حلقه ها و شروط ، یادگیری فانگشن لازم و ضروری هست.
اما...
در این پستِ ادامه دار قرار هست خیلی سریع و ساده با مفهوم و ساز و کار فانگشن نویسی در R  آشنا بشیم

1️⃣ آشنایی
2️⃣ مفهوم
3️⃣ نکات
4️⃣ کاربرد
5️⃣ مثال

   (این پست ادامه دارد)



با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                           آکادمی دیتاسنس
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

2️⃣مفهوم function در R

📌تا به حال به نحوه کارکرد آبمیوه گیری دقت کردین؟

فرایند متشکل از  میوه، دستگاه ابمیوه گیری و خودِ آبمیوه هست.

این دستگاه یک قسمت ورودی داره برای میوه ، بدنه برای اینکه آب میوه گرفته بشه و قسمتی برای خروج آبمیوه.

هر آبمیوه گیری یک اسم (یا برند) داره.
برای این دستگاه فرقی نداره چه میوه ای قراره به عنوان ورودی براش تعریف بشه
سیب باشه یا پرتقال یا ....

هر میوه ای در ورودی اش باشه را وارد بدنه میکنه و آبمیوه گرفته شده رو به سمت خروجی هدایت میکنه.



قسمت جالب ماجرا اینجاست که تمام این عملکرد همانند عملکرد فانگشن در R هست.✅

این پست ادامه دارد


با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                               آکادمی دیتاسنس
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

3⃣function in  R

در نرم افزار R برای تابع نویسی از دستور
function(...) { ...}
استفاده میشود.
ورودی تابع یا همان شناسه ها داخل ( ) نوشته میشوند.
این ورودی ها در واقع تعریف یک جایگاه برای R هست. درست همانند جایگاه ورودی میوه در دستگاه آبمیوه گیری! در دستگاه آبمیوه گیری ورودی تعبیه شده که هر میوه ای را قرار بدهی دستگاه، آبمیوه را به عنوان خروجی میدهد، بنابراین در قسمت ( )  نیز جایگاهی برای ورودی تابع در نظر گرفته شده است.

ورودی تابع میتواند بردار، چارچوب داده ، لیست و ...  باشد. بستگی به هدف تابع نویسی دارد.

این تعریف جایگاه میتواند با حروف لاتین همانندx y, k و غیره باشد، یا کلمه باشد همانند: teta, gamma و غیره
آنچه مهم هست اینست که از همین ورودی در بدنه فانگشن باید استفاده شود.

بدنه تابع یا همان دستورات در داخل { } نوشته میشود.

در ورژن های فعلی R، خط آخر تابع به عنوان خروجی تعریف شده، یعنی انچه قصد دارید در خروجی مشاهده کنید باید در خط اخر به R۴ بفهمانید!

این پست ادامه دارد...


•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

4⃣یک مثال برای function in r

با یک مثال ساده تابع نویسی را در R می آموزیم
در این مثال پشت صحنه ی تابع برای یادگیری عمیق تر
نوشته شده است✅



با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

دنیا از دید یک آماری📊🥴

#طنز آماری

با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                          آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

CoMiNg SOoN...

MaXiMuM liKeLiHoOd

optim()
nlminb()

IN R


با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

تو مو میبینی و  من پیچش مو 📊
○●○●○●○●○●○●○●○●○

دنیا از دید یک آماری📊🥴
👀 غیر آماری = ترک دیوار
👁👁آماری =Decision tree



با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

پست اول:
Probability Density Estimation V.S Maximum Likelihood Estimation

فرق تابع احتمال و تابع لاکلیهود در چیست؟

همانطور که دقت کردید در صورت برقراری فرق استقلال تابع توزیع توام همان حاصلضرب از یک تا n  تابع چگالی هست
از طرفی تابع لایکلیهود هم حاصلضرب از یک تا n تابع چگالی هست ؟؟؟؟

پس چه فرقی بین مفهوم و سازوکار این دو تعریف وجود دارد؟؟

#MLE
این پست ادامه دارد...

با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

پست دوم MLE:

لایکلیهود در زمانی به کمک ما می اید که ما اطلاعی درباره پارامتر(های) توزیع مد نظرمون نداریم.
یعنی نمونه ای از جامعه در دست داریم ، توزیع این نمونه را هم میدانیم اما اطلاعی از پارامتر(های)توزیع نداریم!!!


مثال:
علی علاقه مند است روی قد افراد جامعه مطالعه ای انجام دهد بنابراین برای پدیده قد از جامعه نمونه میگیرد. او مطابق مطالعات قبلی میداند پدیده قد در این جامعه از توزیع نرمال پیروی میکند اما اطلاعی از مقدار پارامتر ها (میانگین و واریانس) ندارد.

پینوشت:
۱)توزیع را میداند
۲) نمونه (بردار X) را دارد
۳) اطلاعی راجب مقدار پارامتر ها ندارد
#MLE

این پست ادامه دارد...

با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

📊
🔷️🔸️▪️آماری VS غیر آماری▪️🔸️🔷️

با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

پست سوم MLE:

داستان ماکسیمم لایکلیهود📖:

فرض کنید دیتاستی به ▫️حجم ۱۰۰▫️ داریم و
میدانیم این داده ها از ▫️توزیع نمایی▫️ آمده اند اما پارامتر توزیع نمایی را ▫️نمیدانیم▫️.

1️⃣سناریو اول فرض میکنیم پارامتر lambda1 باشد:
از تک تک داده ها میپرسیم چه قدر احتمال داشت از توزیع نمایی با پارامتر lambda1  امده باشید؟
تمامی داده ها به این سوال پاسخ خواهند داد.
تمامی این احتمال ها (پاسخ ها) را در هم ضرب میکنیم و به مقداری میرسیم🔸️

2️⃣سناریو ۲ فرض میکنیم پارامتر lambda2 باشد:
از تک تک داده ها میپرسیم چه قدر احتمال داشت از توزیع نمایی با پارامتر landa2  امده باشید؟
تکرار سناریو قبل...🔸️

3️⃣سناریو ۳ فرض میکنیم پارامتر lambda3  باشد:
تکرار سناریو قبل
و ....
الی آخر🔸️


✅در آخر max این مقادیر بدست آمده در هر سناریو را در نظر میگیریم و پارامتری که این مقدار را بدست آورده به عنوان:
🟡پارمتر برنده یا براورد پارامتر این نمونه انتخاب میکنیم🟡

#MLE

این پست ادامه دارد ...
با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

پادکست عصر داده 🌸
https://castbox.fm/va/6483362

عضویت در کانال انحمن‌علمی‌دانشگاه ولی عصر(عج) رفسنجان
https://t.iss.one/vru_statistics

🔹️🔸️پادکستی جذاب🔸️🔹️

قسمت سوم عصر علم داده:
قدرت علم داده و آمار در پشت صحنه ی ساخت واکسن برای کووید۱۹:

چه طور ره صد ساله را علم داده یک شبه پیش برد؟؟
استفاده از الگو های آماری و هوش مصنوعی برای نجات جان انسان ها در دوران پاندمی کرونا


یادگیری عمیق ⬅️ ساختار پروتئین اسپاک
مدل های یادگیری تقویتی⬅️ طراحی واکسن
مدل های بیزین⬅️ کارازمایی بالینی تسریع در تحلیل داده
مدل های سری زمانی⬅️ شناسایی نقاط بحرانی شیوع کرونا

📊تبریک نوروز آماری برای دوستداران آمار📊

کارت پستال دجیتال تقدیم به نگاهتون:

بزن رو لینک زیر👇💌
https://digipostal.ir/cst22y7


در سال جدید امیدوارم 😇:
واریانس غم‌هایت صفر،
امید ریاضی لبخندهایت بی‌نهایت،
و
احتمال موفقیتت در سال جدید برابر با یک باشد.
🌸🌸🌸🌸🌸🌸🌸🌸🌸🌸🌸🌸🌸🌸🌸

•🔹️•━━━━━━━━━━•🔹️•
                              آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

همان‌طور که یک داده پرت نافذ می‌تواند سرنوشت یک مدل را تغییر دهد، شب قدر نیز لحظه‌ای سرنوشت‌ساز است که یک تصمیم یا دعا می‌تواند مسیر زندگی را دگرگون کند.🤲🏻


با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy

📊ضریب تعیین و فوتبال⚽️🥅🏃‍♂️

در دنیای فوتبال، حضور سردار و طارمی کنار هم مثل اضافه کردن متغیرهای کلیدی به یک مدل رگرسیونی است؛ درست همان‌طور که این متغیرها R² مدل را افزایش می‌دهند و پیش‌بینی را دقیق‌تر می‌کنند، هماهنگی این دو مهاجم هم شانس پیروزی تیم را بالا می‌برد. حذف یکی از آن‌ها مثل حذف یک متغیر مهم از مدل است؛ باعث افت عملکرد و کاهش قدرت پیش‌بینی موفقیت تیم! جام جهانی جایی است که این R² باید به حداکثر خودش برسد!"

#جام_جهانی
#R2
#فوتبال
#Statistics
با ما همراه باشید.
•🔹️•━━━━━━━━━━•🔹️•
                                 آکادمی دیتاسنس           
•🔹️•━━━━━━━━━━•🔹️•

@DataSenseAcademy