✅ از سلسله آموزش های علم داده (تفاوت و شباهت های یادگیری ماشین و اقتصادسنجی)
4⃣ اقتصادسنجی فضایی (رگرسیون های فضایی)
📒 Spatial Econometrics
قبل از ورود به منطق سنجی فضایی و مدل های مربوطه بهتر است جهت یادآوری، به رویکرد توسعه و دسته بندی متدولوژی های اقتصادسنجی برگردیم. همانطور که قبلا نیز مطرح شد. منطق توسعه مدل های سنجی یک منطق رخداد محور
Event Driven
بوده است. زمانی که ما پدیده یا رخدادی را میخواهیم توصیف نماییم 3 بعد موجودیت، زمان و مکان الزامی است و این 3 بعد اصلی به یک رخداد مفهوم می بخشند. از این رو مدل های فضایی را شاید بتوان یکی از کامل ترین متدولوژی ها جهت توصیف، تفسیر و برازش رخدادها دانست.
حال داده های فضایی در اینگونه مدل ها به چه داده ای می گویند و این مدل ها چه ویژگی دارند؟
ادامه در پست بعد...
🌐 آدرس کانال:
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
4⃣ اقتصادسنجی فضایی (رگرسیون های فضایی)
📒 Spatial Econometrics
قبل از ورود به منطق سنجی فضایی و مدل های مربوطه بهتر است جهت یادآوری، به رویکرد توسعه و دسته بندی متدولوژی های اقتصادسنجی برگردیم. همانطور که قبلا نیز مطرح شد. منطق توسعه مدل های سنجی یک منطق رخداد محور
Event Driven
بوده است. زمانی که ما پدیده یا رخدادی را میخواهیم توصیف نماییم 3 بعد موجودیت، زمان و مکان الزامی است و این 3 بعد اصلی به یک رخداد مفهوم می بخشند. از این رو مدل های فضایی را شاید بتوان یکی از کامل ترین متدولوژی ها جهت توصیف، تفسیر و برازش رخدادها دانست.
حال داده های فضایی در اینگونه مدل ها به چه داده ای می گویند و این مدل ها چه ویژگی دارند؟
ادامه در پست بعد...
🌐 آدرس کانال:
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
✅ از سلسله آموزش های علم داده (تفاوت و شباهت های یادگیری ماشین و اقتصادسنجی)
4⃣ اقتصادسنجی فضایی (رگرسیون های فضایی)
📒 Spatial Econometrics
داده های فضایی در اینگونه مدل ها به داده هایی می گویند که علاوه بر ابعاد زمان یا موجودیت (شخص/شی) دارای بعد فضا باشد. منظور از فضا متغیرهایی که حاوی اطلاعات جغرافیایی و منطقه ای باشند. مانند ماتریس مسافت و مجاورت فضایی. البته در برخی از موارد در داده های ما متغیر منطقه مانند شهر، استان، ایالت و کشور وجود دارد و ما آنرا در قالب رگرسیون های ساده یا مدلهای یادگیری ماشین تخمین میزنیم. ولی در حقیقت این متغیر به عنوان مقطع یا موجودیت در مدل لحاظ شده است نه ویژگی فضا و مجاورت. پس مدل های معمولی بعد فضا را مدل نمی نمایند و به این منظور باید از متغیرهایی مانند ماتریس مجاورت و مدل هایی مانند رگرسیون های فضایی استفاده نمود. پس در این مدل ها میتوان هر 3 بعد از یک رخداد را مدل و توصیف نمود.
در ادامه به مزیت هر روش و رویکردهای ترکیبی استفاده از مدل های یادگیری ماشین و سنجی می پردازیم.
🌐آدرس کانال:
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
4⃣ اقتصادسنجی فضایی (رگرسیون های فضایی)
📒 Spatial Econometrics
داده های فضایی در اینگونه مدل ها به داده هایی می گویند که علاوه بر ابعاد زمان یا موجودیت (شخص/شی) دارای بعد فضا باشد. منظور از فضا متغیرهایی که حاوی اطلاعات جغرافیایی و منطقه ای باشند. مانند ماتریس مسافت و مجاورت فضایی. البته در برخی از موارد در داده های ما متغیر منطقه مانند شهر، استان، ایالت و کشور وجود دارد و ما آنرا در قالب رگرسیون های ساده یا مدلهای یادگیری ماشین تخمین میزنیم. ولی در حقیقت این متغیر به عنوان مقطع یا موجودیت در مدل لحاظ شده است نه ویژگی فضا و مجاورت. پس مدل های معمولی بعد فضا را مدل نمی نمایند و به این منظور باید از متغیرهایی مانند ماتریس مجاورت و مدل هایی مانند رگرسیون های فضایی استفاده نمود. پس در این مدل ها میتوان هر 3 بعد از یک رخداد را مدل و توصیف نمود.
در ادامه به مزیت هر روش و رویکردهای ترکیبی استفاده از مدل های یادگیری ماشین و سنجی می پردازیم.
🌐آدرس کانال:
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
✅ از سلسله آموزش های علم داده (تفاوت و شباهت های یادگیری ماشین و اقتصادسنجی)
📚 جمع بندی:
پس از توضیح فلسفه مدل های یادگیری ماشین و همچنین مدل های اقتصادسنجی میتوان اینگونه جمع بندی نمود که شباهت این دو علم توانایی کلاس بندی و پیشبینی است.
1⃣ شباهت ها:
-Classification
- Prediction and forecast
قابلیت برازش مدل های دسته بندی کننده و پیشبینی کننده
2⃣ تفاوت ها:
- مدل های سنجی بصورت کلی از نوع الگوریتم های تحت نظارت هستند و میتوان برای تخمین انواع متغیرهای هدف و وابسته با جنس های مختلف مورد استفاده قرار گیرند. اما در مدل های سنجی رویکرد بدون نظارت مانند الگوریتم های شباهت سنجی و خوشه بندی وجود ندارد. اما در آمار و یادگیری ماشین تنوع اینگونه مدل ها زیاد است.
- از دیگر تفاوت های مدلهای سنجی امکان تنظیم هر مدل خاص نسبت به جنس داده مقطعی، سری زمانی، پانل و داده های فضایی است.
🌐https://t.iss.one/Data_ScienceR
📚 جمع بندی:
پس از توضیح فلسفه مدل های یادگیری ماشین و همچنین مدل های اقتصادسنجی میتوان اینگونه جمع بندی نمود که شباهت این دو علم توانایی کلاس بندی و پیشبینی است.
1⃣ شباهت ها:
-Classification
- Prediction and forecast
قابلیت برازش مدل های دسته بندی کننده و پیشبینی کننده
2⃣ تفاوت ها:
- مدل های سنجی بصورت کلی از نوع الگوریتم های تحت نظارت هستند و میتوان برای تخمین انواع متغیرهای هدف و وابسته با جنس های مختلف مورد استفاده قرار گیرند. اما در مدل های سنجی رویکرد بدون نظارت مانند الگوریتم های شباهت سنجی و خوشه بندی وجود ندارد. اما در آمار و یادگیری ماشین تنوع اینگونه مدل ها زیاد است.
- از دیگر تفاوت های مدلهای سنجی امکان تنظیم هر مدل خاص نسبت به جنس داده مقطعی، سری زمانی، پانل و داده های فضایی است.
🌐https://t.iss.one/Data_ScienceR
Telegram
Data Science
آموزش نوین علم داده و رویکردهای داده محور
@DataScience :: Machine Learning, Statistics, Econometrics, BI and big data
#data_science
#Machine_learning
@DataScience :: Machine Learning, Statistics, Econometrics, BI and big data
#data_science
#Machine_learning
✅ تفاوت ها و شباهت های یادگیری ماشین و اقتصادسنجی (از سلسله آموزش های علم داده)
📗 علاوه بر دسته بندی کلاسیک مدل های سنجی که براساس رویکرد رخدادمحور Event Driven معرفی شد.
- مقطعی و نمونه ای Cross-Section
- سری زمانی Time Series
- پانل دیتا Panel Data
- سنجی فضایی Spatial Econometrics
میتوان دسته بندی دیگری براساس همین رویکرد ارائه نمود. همانطور که قبلا گفته شد، اجزا اصلی یک رخداد دارای 3 بعد موجودیت، زمان و مکان است. در نتیجه مدل ها را میتوان به:
1- مدل های تک بعدی (به لحاظ ابعاد رخداد):
- مدلهای مقطعی
Cross-Section / Temporal
- مدلهای سری زمانی
Time Series
2- مدلهای 2 بعدی ( به لحاظ ابعاد رخداد):
- مدل های پانل دیتا (خصوصا پانل پویا)
Panel Data Model
3- مدل 3 بعدی (به لحاظ ابعاد رخداد):
-مدلهای سنجی فضایی
Spatial Econometrics
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📗 علاوه بر دسته بندی کلاسیک مدل های سنجی که براساس رویکرد رخدادمحور Event Driven معرفی شد.
- مقطعی و نمونه ای Cross-Section
- سری زمانی Time Series
- پانل دیتا Panel Data
- سنجی فضایی Spatial Econometrics
میتوان دسته بندی دیگری براساس همین رویکرد ارائه نمود. همانطور که قبلا گفته شد، اجزا اصلی یک رخداد دارای 3 بعد موجودیت، زمان و مکان است. در نتیجه مدل ها را میتوان به:
1- مدل های تک بعدی (به لحاظ ابعاد رخداد):
- مدلهای مقطعی
Cross-Section / Temporal
- مدلهای سری زمانی
Time Series
2- مدلهای 2 بعدی ( به لحاظ ابعاد رخداد):
- مدل های پانل دیتا (خصوصا پانل پویا)
Panel Data Model
3- مدل 3 بعدی (به لحاظ ابعاد رخداد):
-مدلهای سنجی فضایی
Spatial Econometrics
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
Spatial Regression.pdf
1.6 MB
📒 کتاب آموزشی و یکی از رفرنس های اصلی رگرسیون های فضایی
#Spatial_Regression
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
#Spatial_Regression
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📚 learn Data Science (8 Steps)
مهارت های مورد نیاز در زمینه علوم داده
#data_science
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
مهارت های مورد نیاز در زمینه علوم داده
#data_science
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📚 آمار، مهندسی داده و علوم داده
مهارت ها، ابزارها، موقعیت شغلی و درآمد..
https://t.iss.one/Data_ScienceR
🌐Data_ScienceR
مهارت ها، ابزارها، موقعیت شغلی و درآمد..
https://t.iss.one/Data_ScienceR
🌐Data_ScienceR
📒 Jupyter notebook
پروژه ژوپیتر یک سازمان غیرانتفاعی است که به منظور «ارائه نرم‌افزارهای متن-باز، استانداردهای باز، و خدماتی برای محاسبات تعاملی میان ده‌ها زبان برنامه‌نویسی» ایجاد شده‌است. پروژه ژوپیتر که در سال ۲۰۱۴ توسط فرناندو پرز از آی‌پایتون اشتقاق یافت، از محیط های اجرایی در ده‌ها زبان برنامه‌نویسی پشتیبانی می‌کند. نام این پروژه به سه زبان برنامه‌نویسی که مورد پشتبانی این پروژه هستند، یعنی سه قمر جولیا، پایتون (زبان برنامه‌نویسی) و آر (زبان برنامه‌نویسی)، و همچنین گالیله نوت بوک (یادداشتهای گالیله) اشاره دارد. پروژه ژوپیتر محصولات کامپیوتری تعاملی دفتر یادداشت ژوپیتر، مرکز ارتباطات ژوپیتر، آزمایشگاه ژوپیتر، و نسل بعدی دفتر یادداشت ژوپیتر را ایجاد کرده و پشتیبانی می‌کند.
ژوپیتر یک مدرک JSON است که با یک فرم ثبت نسخ کامل میشود و حاوی یک لیست مرتب از واحدهای ورودی/خروجی است که می‌تواند حاوی کد، متن (با استفاده از مدلهای نشانه گذاری)، ریاضیات، طرحها و رسانه‌های غنی باشد، و معمولاً با فرمت «ipynb.» پایان می‌یابد.
آدرس کانال:
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
پروژه ژوپیتر یک سازمان غیرانتفاعی است که به منظور «ارائه نرم‌افزارهای متن-باز، استانداردهای باز، و خدماتی برای محاسبات تعاملی میان ده‌ها زبان برنامه‌نویسی» ایجاد شده‌است. پروژه ژوپیتر که در سال ۲۰۱۴ توسط فرناندو پرز از آی‌پایتون اشتقاق یافت، از محیط های اجرایی در ده‌ها زبان برنامه‌نویسی پشتیبانی می‌کند. نام این پروژه به سه زبان برنامه‌نویسی که مورد پشتبانی این پروژه هستند، یعنی سه قمر جولیا، پایتون (زبان برنامه‌نویسی) و آر (زبان برنامه‌نویسی)، و همچنین گالیله نوت بوک (یادداشتهای گالیله) اشاره دارد. پروژه ژوپیتر محصولات کامپیوتری تعاملی دفتر یادداشت ژوپیتر، مرکز ارتباطات ژوپیتر، آزمایشگاه ژوپیتر، و نسل بعدی دفتر یادداشت ژوپیتر را ایجاد کرده و پشتیبانی می‌کند.
ژوپیتر یک مدرک JSON است که با یک فرم ثبت نسخ کامل میشود و حاوی یک لیست مرتب از واحدهای ورودی/خروجی است که می‌تواند حاوی کد، متن (با استفاده از مدلهای نشانه گذاری)، ریاضیات، طرحها و رسانه‌های غنی باشد، و معمولاً با فرمت «ipynb.» پایان می‌یابد.
آدرس کانال:
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
ادامه...
📒 Jupyter notebook
همچنین دفترچه یادداشت ژوپیتر که قبلا به نام آی پایتون شناخته می‌شد. علاوه بر 3 کرنل اصلی خود به چندین کرنل معروف زبان برنامه نویسی دیگر مانند زبان اسکالا، جاوا، سی و .. متصل است و از آنها پشتیبانی می نماید. اولین نسخه پایدار آن نیز در فوریه 2018 ارائه گردید.
متناظر با این دفترچه میتوان به دفترچه یادداشت های:
R notebook, Rmarkdown, R bookdown, R blogdown
اشاره نمود که در پست های بعد بیشتر معرفی می گردند.
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📒 Jupyter notebook
همچنین دفترچه یادداشت ژوپیتر که قبلا به نام آی پایتون شناخته می‌شد. علاوه بر 3 کرنل اصلی خود به چندین کرنل معروف زبان برنامه نویسی دیگر مانند زبان اسکالا، جاوا، سی و .. متصل است و از آنها پشتیبانی می نماید. اولین نسخه پایدار آن نیز در فوریه 2018 ارائه گردید.
متناظر با این دفترچه میتوان به دفترچه یادداشت های:
R notebook, Rmarkdown, R bookdown, R blogdown
اشاره نمود که در پست های بعد بیشتر معرفی می گردند.
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
🛠 پرکاربرد ترین الگوریتم های یادگیری ماشین در سالیان 2017 تا 2019
#machine_learning
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
#machine_learning
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
📌 در پست های آتی نوع خاصی از مدل های رگرسیونی با کارکردی خاص معرفی میشود. که در حوزه مدل های مقطعی، پانل و حتی سری زمانی توسعه پیدا کرده و کاربرد دارد.
✅📣 📣 برنامه آتی کانل:
1- آموزش ابزارها و متدولوژی های تحلیل داده:
در پست های قبل فلسفه و منطق متدولوژی های علم تحلیل داده مختصرا معرفی گردید و در ادامه سرفصلهای زیر نیز مختصرا معرفی میشود.
آموزش و معرفی مدل های:
- رگرسیون تک، دو و سه بعدی
- آموزش رگرسیون ها خاص (رگرسیون های سانسور شده، هکمن، رگرسیون های به ظاهر نامرتبط و سیستم معادلات همزمان)
- آموزش مدلهای یادگیری ماشین با ناظر
- آموزش مدل های یادگیری فاقد نظارت یا بدون معلم
2- آموزش مصورسازی داده ها و داشبوردسازی
3- آموزش نوشتن وب اپلیکیشن و معماری پشت آن
(Server and UI)
4 معرفی تکنولوژی‌ها و معماری های پیشرو در علم Data Science
#Modeling
#Regression
#ML
#data_visualization
#web_app
#Data_Science
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
1- آموزش ابزارها و متدولوژی های تحلیل داده:
در پست های قبل فلسفه و منطق متدولوژی های علم تحلیل داده مختصرا معرفی گردید و در ادامه سرفصلهای زیر نیز مختصرا معرفی میشود.
آموزش و معرفی مدل های:
- رگرسیون تک، دو و سه بعدی
- آموزش رگرسیون ها خاص (رگرسیون های سانسور شده، هکمن، رگرسیون های به ظاهر نامرتبط و سیستم معادلات همزمان)
- آموزش مدلهای یادگیری ماشین با ناظر
- آموزش مدل های یادگیری فاقد نظارت یا بدون معلم
2- آموزش مصورسازی داده ها و داشبوردسازی
3- آموزش نوشتن وب اپلیکیشن و معماری پشت آن
(Server and UI)
4 معرفی تکنولوژی‌ها و معماری های پیشرو در علم Data Science
#Modeling
#Regression
#ML
#data_visualization
#web_app
#Data_Science
🆔https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
Telegram
Data Science
آموزش نوین علم داده و رویکردهای داده محور
@DataScience :: Machine Learning, Statistics, Econometrics, BI and big data
#data_science
#Machine_learning
@DataScience :: Machine Learning, Statistics, Econometrics, BI and big data
#data_science
#Machine_learning
📊 Top 20 Technology skills in Data Science job listings
#python
#R
#Spark
#Java
🔗Source: KDnuggets
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR
#python
#R
#Spark
#Java
🔗Source: KDnuggets
https://t.iss.one/Data_ScienceR
🌐@Data_ScienceR