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

                🔹️🔸️🔹️🔸️🔹️🔸️🔹️🔸️🔹️
...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

Box plot    V.S.   Human life


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

@DataSenseAcademy

💠💠💠
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

💠💠

📊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

💠💠
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

💠💠
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

💠💠💠
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

💠💠💠
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 :
⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️⬇️

💠💠💠

اگر به اطلاعات پنهان شده در دل این دیتا به چشم ⬅️ انسان یا فرد ➡️نگاه کنی، اونوقت میبینی که  افراد زیادی هستند ک در انتظار دیده شدنن.

هر کدامشون انگار میخواد فریاد بزنه و از دل این دیتا بیرون بیاد...
برخی فریاد های بلند دارن و تحلیل گر سریع  استخراجشون میکنه اما بعضی...

✅کدام هاشون موفق به دیده شدن میشن ؟

☑کدام هاشون تا ابد در دل این دیتا خاموش میمونن☑

⚠️ایا ممکنه فردی خاصی (منظور اطلاعات خاص) در دل این دیتا باشه که تحلیل گر هیچ وقت استخراجش نکنه ....

✴برگزیده ترین فرد در دل این دیتا کیه؟ آیا منِ تحلیلگر میتونم در وهله اول پیداش کنم و بعد استخراجش کنم؟؟


طرز نگاه تحلیلگر  میتونه متفاوت باشه:

بیشترین افراد را از دل این دیتا استخراج کنم (منظور استخراج اطلاعات زیاد )
یا
برگزیده ترین افراد را پیدا کنم (منظور استخراج اطلاعات اصلی و گرانبها از دل دیتا)

؟؟
#تجربه_یک_تحلیلگر
#روزمرگی


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

@DataSenseAcademy

💠💠💠

ایا تابحال اطلاعات یک دیتا را با Power BI استخراج کردی ؟


توی این تابستون مهارت جدید یاد بگیر مثله :
Power Bi

در پست های آتی به معرفی و کار با این نرم افزار میپردازیم

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

@DataSenseAcademy

🖤 🏴
و قسَم به زَمانیِ که
پناهی جز عَباس نَداری...
🖤🏴

🟠🟡🟢clustering
خوشه بندی ⬅️⬅️ گروه بندی مشاهدات


#سوال
اولین قدم برای انتخاب الگوریتم خوشه بندی چیست؟

الف) بررسی نوع متغیر های دیتاست-->😁
ب) معروفیت الگوریتم-->🤓
ج)بررسی سرعت الگوریتم-->😎

؟؟؟؟
#clustering

#پست_اول_clustering

این پست ادامه دارد...

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

@DataSenseAcademy

K_means

Clustering🟢🟡🟠
   K means
یکی از الگوریتم های بدون ناظر (unsupervised) و معروف برای خوشه بندی ⬅️ k means میباشد.

آشنایی با الگوریتم k means:

1️⃣ ابتدا مقدار k یا همان تعداد خوشه را تعیین میکنیم.
2️⃣ از بین مشاهدات( observe) k تا را به تصادف به عنوان مرکز هر خوشه انتخاب میکنیم.

3️⃣ فاصله ی تک تک مشاهدات از این k نقطه را محاسبه میکنیم. مشاهده ها به مرکز هایی که نزدیکترند تخصیص میابند. (معیار سنجش فاصله: برای مثال فاصله اقلیدسی)

♻️حال ک سه خوشه پیدا کردیم، مرکز هر خوشه مجدد محاسبه میشود یعنی میانگین تمام مشاهدات داخل هر خوشه به عنوان مرکز در نظر گرفته میشود ⬅️⬅️⬅️  نکته: ممکن است مرکز جدید عضو مشاهدات نباشد.
مجدد مراحل بالا برای این مراکز جدید تکرار میشود یعنی:
فاصله ی تمام مشاهدات از مراکز جدید محاسبه میشود، هر مشاهده وارد خوشه ای که به مرکز آن نزدیکتر است میشود. در این مرحله انتظار داریم برخی اعضا جا به جا شوند.
مجدد به خوشه بندی جدید رسیدیم.
دوباره مرکز (میانگین مشاهدات هر خوشه)را بدست می اوریم.

♻️تکرار مراحل بالا....

چه زمانی تمام میشه؟
مراکز هر خوشه دیگر تغییر نکنن
رسیدن به حداکثر تعداد تکرار ها (کاربر از قبل تعیین میکند)


نکات الگوریتم :
1️⃣در الگوریتم k means در هر بار محاسبه مرکز خوشه از میانگین برداری استفاده میکند.

مثلا اگر سه متغیر وزن سن قد داشته باشیم میانگین قد و وزن و سن  تمام مشاهدات داخل خوشه را محاسبه میکنید و مختصات نقطه (مرکز)جدید را بدست می اورد.
2️⃣چون مرکز هر خوشه با شاخص میانگین سنجیده میشود پس باید متغیر های دیتاست  همگی از نوع کمی باشند.

#clustering

#پست_دوم_clustering

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

@DataSenseAcademy

✅⚠️همانطور که اشاره شد اگر تمامی متغیر های دیتاست کمی بودند میتوانستیم از k means برای خوشه بندی استفاده کنیم
حالا اگر
#سوال
⛔تمامی متغیر های دیتاست کیفی بودند از چه الگوریتمی میتوانیم استفاده کنیم ؟

💠💠💠

انتروپی (عدم قطعیت)
در نظریه اطلاعات، انتروپی معیاری‌ست برای سنجش بی‌نظمی و عدم قطعیت در یک سیستم.
ورود یک متغیر جدید به مدل، میتواند میزان این بینظمی را تغییر دهد.
مثل چی؟

مثله ملاقات با فردی که تمام معادلات زندگی رو به «قبل» و «بعد»  از ورودش تغییر میده...

تغییری که اثرش: نظم و روح بخشی هست
و یا گاهی...
تنها چیزی که باقی می‌گذارد، بینظمی و یک آشفتگی شیرین.

هر دو تغییر معنابخش هست، هم نظم و هم بینظمی

به قول معروف:

در هر نظمی، بی‌نظمی نهفته است،
و در هر بی‌نظمی، نظمی حکمفرماست.
***

در مسائل بسیار زیاد روزمره و زندگی انتروپی وجود داره.
یک موضوع جذاب و کاربردی در علم امار.

پیشنهاد برای ارائه های کلاسی گرایش های ارشد آمار.

یکی از کاربرد های اصلی انتروپی در درخت تصمیم دیده میشه.
کلیدواژه برای سرچ بیشتر:
Shannon entropy
entropy decision tree machine learning
entropy formula classification

#روزمرگی

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

@DataSenseAcademy

💠💠💠
_چرا همه میشناسنت؟
*چون آمار خوندم😎



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

@DataSenseAcademy

😎
⬇️