Data Sense Academy
156 subscribers
30 photos
21 videos
2 links


آکادمی دیتا سنس
احساسِ داده🫀🧘🏻‍♀️



آموزشِ تخصصیِ مباحث آماری به صورت کاربردی طوری که حسش کنی🧘🏻

تحلیلِ تخصصیِ آماری مقالات و پایان نامه ها

با نرم افزارهای:
R
Python
Sas
Stata
SPSS
Minitab

جهت ارتباط با ادمین:
@DataSenseAcademy_Admin
Download Telegram
This media is not supported in your browser
VIEW IN TELEGRAM
دنیا از دید یک آماری📊🥴

#طنز آماری

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

@DataSenseAcademy
🤣5👍1👏1
CoMiNg SOoN...

MaXiMuM liKeLiHoOd

optim()
nlminb()

IN R


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

@DataSenseAcademy
👍3
This media is not supported in your browser
VIEW IN TELEGRAM
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
👏21
Data Sense Academy
CoMiNg SOoN... MaXiMuM liKeLiHoOd optim() nlminb() IN R 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
👍2🤔1
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
👍5
This media is not supported in your browser
VIEW IN TELEGRAM
📊
🔷️🔸️▪️آماری VS غیر آماری▪️🔸️🔷️

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

@DataSenseAcademy
👏4🙏1💯1
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
4👍2
پادکست عصر داده 🌸
https://castbox.fm/va/6483362

عضویت در کانال انحمن‌علمی‌دانشگاه ولی عصر(عج) رفسنجان
https://t.iss.one/vru_statistics
3👍3
انجمن علمی آمار دانشگاه ولی عصر(عج)
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
3👍1💯1
📊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
4👏2
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
9🙏2👍1
Media is too big
VIEW IN TELEGRAM
📊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 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
3🏆2
This media is not supported in your browser
VIEW IN TELEGRAM
هیچ تلفیقی به پای تلفیق آمار و سایر رشته ها نمیرسه🤝🏻
تفاوت معناداری وجود داره وقتی آمار نیست با وقتی که هست...
زمانی که جهان داده های بالینی ، اقتصادی، شیمی و ... با آمار معنا پیدا میکنن و قابل اعتماد میشن.

💫به ترکیب رشتتون و امار همیشه اطمینان کنید💫


#پایان_نامه
#فصل_چهار
#مقالات
#مشاور_آماری
#Statistics


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

@DataSenseAcademy
2👍1💯1
                🔹️🔸️🔹️🔸️🔹️🔸️🔹️🔸️🔹️
...the null hypothesis is never proved or established, but is possibly disproved ...

Sir Ronald Fisher

«فرض صفر هرگز اثبات یا تأیید نمی‌شود، بلکه تنها ممکن است رد شود...» سر رونالد فیشر
                🔹️🔸️🔹️🔸️🔹️🔸️🔹️🔸️🔹️


وقتی در یک آزمون آماری نتوانیم فرض صفر را رد کنیم (یعنی p-value بزرگ‌تر از سطح معنی‌داری باشد)، این به معنای درستی فرض صفر نیست. فقط به این معناست که شواهد کافی برای رد کردنش نداریم.

خیلی از افراد وقتی می‌شنوند "فرض صفر رد نشد"، تصور می‌کنن که اون فرض «درست» یا «ثابت شده» — در حالی که این یک سوءتفاهم رایج آماریه.
فیشر تأکید داشت که آمار به دنبال رد کردن فرضیات با شواهد هست، نه اثبات مطلق اون‌ها.



#سخن_بزرگان
#آمار
#فرض_صفر
#آزمون_آماری


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

@DataSenseAcademy
👏6
Box plot    V.S.   Human life


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

@DataSenseAcademy
👍32
💠💠💠
آمار در جهانی غرق در داده، به واقعیت‌ها جان می‌بخشد و حقیقت را از میان هیاهوی بی‌نظم بیرون می‌کشد.

تصویر طراحی شده با Sora🤖 چت جی پی تی🤖


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

@DataSenseAcademy
5👏2
💠💠

📊Longitudinal Data aAnalysis📊
یکی از منابع تحلیل داده های طولی مقطع دکترا تخصصی امار زیستی.

💥در پست های آینده نکات مهم برای تحلیل داده های طولی را خواهیم دید...

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

@DataSenseAcademy
👍3👏1
This media is not supported in your browser
VIEW IN TELEGRAM
💠💠
یک ترفند در R

آیا تا بحال پس از فراخوانی دیتافریم، هنگام استفاده از علامت $ برای دسترسی به ستون های دیتافریم به مشکل برخورد کرده اید ؟
مثلا مشکلی مانند اینکه در R استدیو لیست (منو) نام متغیرها را نمایش ندهد؟؟؟

این مشکل به چه علت ایجاد شده ؟؟
و راه حل رفع این مشکل چیست ؟

در کلیپ بالا دستور attributes(x) برای رفع این مشکل معرفی شده است .


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

@DataSenseAcademy
6👍1
Data Sense Academy
در کلیپ بالا دستور attributes(x) برای رفع این مشکل معرفی شده است .
💠💠
کد استفاده شده در کلیپ آموزشی بالا :

myd <- lapply(myd, function(x) {
  attributes(x) <- NULL
  x
})
myd <- as.data.frame(myd)



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

@DataSenseAcademy
👍4💯1
This media is not supported in your browser
VIEW IN TELEGRAM
💠💠💠
عاقلان نقطه پرگار وجودند ولی
/ عشق داند که در این دایره سرگردانند


حافظ شیرازی


تلفیق عمیق شعرحافظ و ریاضیات و آمار

( حافظ + PCA + مثلثات)

در دنیای امار PCA نمایانگرِ ساختار پنهان در داده‌های چندبُعدیه.
با نگاه از زاویه ای دیگر به داده، الگو های پنهان نمایش داده میشوند.
مثال:
با نگاه از زاویه ای دیگر به دایره، نوسان در زمان مشاهده میشه.

این همون هدف PCAهست⬅️ نگاه از جهت دیگر به داده حول بیشترین پراکندگی.

و چه قدر عمییق حافظ در شعر خودش مفاهیم ریاضی و آمار را به زبان شاعرانه خلق میکنه :

عاقلان نقطه پرگار وجودند ولی
/ عشق داند که در این دایره سرگردانند


حافظ تاکید داره از بعد های دیگر به جهان نگاه شود تنها با نگاه کردن به نقطه پرگار و دایره دورش متوجه معنای حقیقی نمیشویم....

هر بیت از شعر حافظ یک دنیا علم را خلاصه کرده.
هر بیت حافظ یک اماره بسنده مینیمال هست.

کلیپ برگرفته شده از پیج:
maths_learning_._


#PCA
#Minimal_sufficient_statistics
با ما همراه باشید.
🔹️•━━━━━━━━━━•🔹️
                                 آکادمی دیتاسنس           
🔹️•━━━━━━━━━━•🔹️

@DataSenseAcademy
3👏1
💠💠💠
وقتایی که یک داده خیلی شلوغ و به هم ریخته (در اصطلاح Raw data  یا  Dirty data یا Unclean data)  رو میخوام تحلیل کنم این فکر خیلی ذهنمو درگیر میکنه :
⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️
👍31