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



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

@DataSenseAcademy

😎
⬇️

💠💠💠
شاید توی دنیای توزیع های آماری ، توزیع نمایی یه عارف باشه شایدم یه عاشق♡
تعبیر عاشق به نظرم قشنگتره.
امروز اندازه روز اول مشتاقه
امروز اندازه روز اول منتظره
《نشدن》 ها 《ندیدن》 ها 《نبودن》ها ی قبل روی امید امروزش تاثیر نداره. 

اگر یکماهه منتظر یه اتفاق خوب بوده ، ولی هنوز رخ نداده، امروزم همون قدر منتظره. ناامید نمیشه.
به قول حافظ:
مرا از توست هر دم تازه عشقی/تو را هر ساعتی حسنی دگر باد
روزشو با لبخند شروع میکنه هر روز براش روز موعوده.

توزیع نمایی، مدل ریاضی زمان انتظار تا رویداد بعدی  هست.
زمان انتظار تا تماس بعدی
زمان انتظار تا ملاقات بعدی
زمان انتظار تا رخداد بعدی ....
سرعت این انتظار را هم پارامتر لاندا تعیین میکنه.
اگر لاندا بزرگ باشه سرعت رخداد بالاست یعنی انتظار کمتری میکشه.

برای آرزو هاتون دعای دل من اینه :
توزیعتون نمایی باشه با لاندای خیلی خیلی بزرگ
یعنی ارزوهاتون یکی یکی و زود به زود برسن.

````````````````````````
پانویس:
توزیع نمایی دارای خاصیت بیحافظگی (memorylessness) می باشد:

P(X>s+t | X>t)= P(X>s)

لاندا یعنی نرخ وقوع رویداد در واحد زمان.
اگر لاندا ۲ باشه یعنی انتظار داریم هر نیم (یک به روی لاندا) واحد  زمان یک رویداد داشته باشیم.
توجه شد خاصیت بیحافظگی در احتمال شرطی میباشد.
#Exponential_Distributions
#Memorylessness
#توزیع_آماری
#امید_ریاضی
#انتظار

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

@DataSenseAcademy

Clustering🟢🟡🟠
  K mode
الگوریتم k mode همانند k means یکی از الگوریتم های بدون ناظر میباشد.


چه زمانی از k mode استفاده میشود ؟
زمانی که تمامی متغیر های دیتاست کیفی باشند.
در متغیر های کیفی سنجش میانگین و فاصله ی اقلیدسی بیمعنا میباشد‌ لذا لازم است از k mode استفاده بشود.


آشنایی با الگوریتم k mode:
تمامی مراحل همانند مراحل k means میباشد با این تفاوت که :
تفاوت اول:
در k mode به جای استفاده از فاصله ی اقلیدسی از Hamming distance استفاده میشود.
یعنی: تعداد ویژگی های متفاوت بین دو رکورد.
مثال: اگر فرد A دارای ویژگی های : زن/لاغر/متاهل و فرد B دارای ویژگی های: زن/چاق/مجرد باشد، فاصله ی این دو فرد میشود : دو (2)

تفاوت دوم:
در هر مرحله، در هر خوشه به جای میانگین آن خوشه ، مد آن خوشه بررسی میشود.
یعنی با توجه به مشاهدات هر خوشه ، مد هر متغیر را در هر خوشه بدست می اورد.

#clustering
#پست_سوم_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
#پست_دوم_clustering
اگر تمامی متغیر های دیتاست کیفی بودند میتوانستیم از k mode برای خوشه بندی استفاده کنیم.
#پست_سوم_clustering

⛔حال اگر دیتاست متشکل از متغیر های کمی و کیفی باشد از چه الگوریتمی استفاده کنیم؟

Clustering🟢🟡🟠
نکته:
واضح هست در k means در هر مرحله ی خوشه یابی برای دستیابی به مرکز خوشه از میانگین تمام مشاهدات استفاده میکند. این کار باعث میشود مرکز هر خوشه لزوما عضو مشاهدات نباشد.

در k mode نیز همین طور. در k mode برای هر متغیر مدش را بدست می آورد. ترکیب این مدها لزوماً در بین مشاهدات وجود ندارد. یعنی ممکن است هیچ فردی دقیقاً همه‌ی این مدها را با هم نداشته باشد.

پس نتیجه گرفتیم در k means و k mode مرکز هر خوشه لزوما عضوی از مشاهدات نیست.

#clustering
#پست_چهارم_clustering

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

@DataSenseAcademy

💠💠💠
خطاب به هر کس که پرسید:
_چرا ادامه تحصیل ؟
__...................او میکشد قلاب را


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

@DataSenseAcademy

🌑🪐🌑
At Night🌃
#power_bi
#Project
@DataSenseAcademy

💠💠💠
لطیف ترین روح و عاشق ترین قلب ها رو ریاضیدان ها دارند. ♡
فیلم (مردی که بینهایت را میدانست) بسیار هنرمندانه این جمله را اثبات میکند.

در سراسر فیلم در پس سکانس هایی پر از اثبات و فرمول، لطافت روح یک ریاضیدان به نمایش گذاشته شده.
روح عاشق رامانوجان سریع تر از فرمول هایش گسترش پیدا کرد.
شهودش در ریاضیات عمیق و در عشق، لطیف بود♡

نه تنها فرمول هایش جهان ریاضیات را تغییر داد بلکه روحش، روح استادش هاردی را دستخوش تغییر کرد.

این فیلم به خوبی نشان داد برای اثبات عشق باز هم نیاز به ریاضیات و ریاضیدان هست.

#معرفی_فیلم
#ریاضیدان

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

@DataSenseAcademy

💠💠💠
معرفی فیلم :
مردی که بینهایت را میدانست
زندگی نامه یک ریاضیدان هندی

خطر اسپول فیلم ⬇️⬇️ ⬆️⬆️

سرینیواسا رامانوجان ریاضیدان خودساخته هندی، کارمند حسابداری شرکتی در هند بود. 

سکانس های الهام بخش سراسر این فیلم را فراگرفته
از تلاش های خستگی ناپذیر رامانوجان برای معرفی خودش به دنیای ریاضیدان ها تا تلاش بیوقفه اش جهت رفاه برای همسر و مادرش.

اوج فیلم، تلفیق هنرمندانه اشتیاق حضور در کمبریج و چشم های منتظر برای نامه ای از همسرش بود که به خوبی نمایش داده شد.
نامه هایی که غم نرسیدن آنها ذره ذره در وجود پر از الهام رامانوجان گسترش پیدا کرد.
مادرش مانع ارسال بود.
اما سرانجام درست در اوج بیماری رامانوجان ، نامه ای از همسرش بدستش رسید؛ نه نتها زندگی دوباره به رامانوجان بخشید بلکه گره از اثبات فرمول رامانوجان باز کرد.
بعد از عضویت سلطنتی دانشگاه کمبریج به هندوستان بازگشت و یکسال بعد از دنیا رفت.
در سال ۱۹۷۶ دفترچه ای از راماندوجان پیدا شد که حاوی فرمول های شگفت انگیز بود. در قرن بعد این فرمول ها برای درک رفتار سیاه چاله ها استفاده شد.

@DataSenseAcademy

clustering🟢🟡🟠

اگر دیتاست متشکل از متغیر های کمی و کیفی باشند، الگوریتم PAM پیشنهاد میشود
(Partitioning Around Medoid)


الگوریتم PAM بر mediod ها استوار هست.
درواقع mediod ها دقیقا از مشاهدات هستند و به عنوان مرکز هر خوشه معرفی میشود.
برعکس دو الگوریتم k means  و k mode که مرکز خوشه لزوما از مشاهدات نبود.
در ادامه با الگوریتم PAM آشنا خواهیم شد...
#clustering
#Partitioning_Around_Medoid
#PAM
#پست_پنجم_clustering



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

@DataSenseAcademy

clustering🟢🟡🟠

الگوریتم PAM یکی از روش های خوشه بندی بدون ناظر میباشد.

این الگوریتم توانایی دارد برای دیتاست های زیر خوشه بندی انجام دهد:
✅دیتاستی که تمام متغیر هایش کمی هستند(با استفاده از فاصله ی Euclidean)
✅دیتاستی که تمام متغیر هایش کیفی هست.(با استفاده از فاصله ی Hamming)
و
✅ مزیت اصلی❇؛ دیتاستی با هم متغیر کمی و هم متغیر کیفی ( با استفاده از فاصله ی Gower)

روند این اگوریتم هم مانند دو الگوریتم k means و k modes میباشد:

1️⃣ابتدا k مشاهده به صورت تصادفی به عنوان medoid انتخاب میشود.

2️⃣هر مشاهده به نزدیکترین medoid اختصاص داده میشود . برای این کار از فاصله ی Gower استفاده میشود. تا این مرحله تمامی مشاهدات در k خوشه تقسیم بندی میشوند.

3️⃣ به روز رسانی medoid ها:
حال در هر خوشه ، هر کدام از xi های موجود در هر خوشه به عنوان کاندیدی برای medoid در نظر گرفته میشود (چرا؟ چون شاید مشاهده ی دیگری برای مرکز خوشه بودن ارحجتر باشد)
برای هر xi فاصله اش تا سایر مشاهدات آن خوشه محاسبه میشود. اگر مشاهده ای مجموع فاصله اش کمتر از مجموع فاصله برای mediod فعلی پیدا شود، جایگزین آن mediod میشود.

این کار برای تمامی k خوشه انجام میشود.

4️⃣چرخش الگوریتم. مراحل بالا تا زمانی که mediod ها تغییری نکنند ادامه دارد یعنی تا رسیدن به همگرایی.

در پست بعد به بررسی فاصله ی Gower میپردازیم....

#clustering
#Partitioning_Around_Medoid
#PAM
#mediod
#statistics
#Data_science
#پست_ششم_clustering



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

@DataSenseAcademy

The story of Variable selection

🎬Part1: Therapy Room

What’s  going on in the hearts of the rejected variables?  😢
Have you ever listened? Maybe they have secrets to tell...

-------------------------
تلاش های متغیر حذف شده برای ماندن در مدل از چشم تحلیلگران پنهان میماند.

از دل متغیر های حذف شده خبر دارید؟
-------------------------

#Regression #Variable_selection #Forward_selection #Backward_selection #Stepwise
#Data_science #statistics

#پست_اول_Variable_Selectio
#Story_Variable_selection



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

@DataSenseAcademy
⬇️
❤

در پروسه تحلیل داده ، انتخاب متغیر( variable selection) یکی از گام های اصلیست.
یک تحلیلگر واقعی باید دلیل هر اتفاقی را بداند،
اینکه چرا برخی از متغیر ها در variable selection حذف میشن؟
ایا راهی وجود داره که این متغیر های حذف شده هم به مدل راه پیدا کنند؟

clustering🟢🟡🟠

💥The Ultimate Guide to Clustering Packages in R💥

Clustering in R
Package: stat ➡️ kmeans()
Package: klar ➡️ kmodes()
Package: cluste➡️ pam()

#clustering
#پست_هفتم_clustering

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

@DataSenseAcademy
⬇️
❤

در Rmarkdown زمانی که متن فارسی مینویسید و مخصوصا وقتی متن فارسی_انگلیسی مینویسید در خروجی کلمات به هم میریزد.
برای رفع این مشکل :
وارد قسمت source شوید و کد زیر را بنویسید:
<div dir="rtl">

</div>
سپس وارد قسمت Visual شوید و متن دلخواه را در جایگاه بنویسید.😉

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

@DataSenseAcademy

Non-stop 🥇
Worth it 💎


Believe💪🏻


#PhD
#کنکور_دکتری
#انگیزشی

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

@DataSenseAcademy