#معرفی_کتاب

📘 کتاب "Forecasting: Principles and Practice" نوشته Rob J. Hyndman و George Athanasopoulos، یک منبع جامع و معتبر در زمینه پیش‌بینی سری‌های زمانی است. این کتاب به بررسی اصول و تکنیک‌های مختلف پیش‌بینی می‌پردازد و با استفاده از مثال‌های واقعی و کدهای R، خوانندگان را در یادگیری مفاهیم راهنمایی می‌کند. هدف این کتاب آموزش روش‌های عملی برای تحلیل داده‌های زمانی و بهبود دقت پیش‌بینی‌ها است. این کتاب به عنوان یک مرجع کلیدی برای دانشجویان و پژوهشگران در حوزه‌های مرتبط به ویژه علوم داده شناخته می‌شود.

🔹️ دوستانی که قصد دارند سری زمانی را با استفاده از داده‌های عملی و به کمک نرم افزار R یاد بگیرند، این کتاب بهشون توصیه می‌شود.

📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🔷شکل انواع توزیع‌های آماری

• Different Types of Distributions

📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

عید نوروز رو خدمت تمامی دوستان و اعضای گرامی کانال تبریک می‌گم🪻🎉
امید که امسال شاهد پیشرفت‌های روزافزون و شادی و سلامتی کنار همدیگر باشیم🌻🎊

📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🔷 نمودار QQ-Plot چیست⁉️

• نمودار QQ-Plot (Quantile-Quantile Plot) یک نمودار تصویری است که برای مقایسه توزیع یک مجموعه داده با یک توزیع نظری مشخص (مانند توزیع نرمال) به کار می‌رود. این نمودار به ما نشان می‌دهد که آیا داده‌ها از یک توزیع خاص پیروی می‌کنند یا خیر.

• اگر نقاط در این نمودار تقریباً روی یک خط ۴۵ درجه قرار بگیرند، می‌توان گفت که داده‌ها به خوبی با توزیع موردنظر تطابق دارند. در غیر این صورت، می‌توان به وجود چولگی، دم‌های سنگین یا سایر انحرافات در توزیع داده‌ها پی برد.

• از QQ-Plot برای بررسی نرمال بودن داده‌ها، مقایسه دو توزیع و شناسایی ویژگی‌های خاص داده‌ها مانند چولگی و دم‌های سنگین استفاده می‌شود.

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔 @StatLaboratory

#معرفی_کتاب

📘 Machine Learning Using R

🔹️ Karthik Ramasubramanian & Abhishek Singh

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

#معرفی_کتاب

📘 کتاب "Machine Learning Using R" نوشته Karthik Ramasubramanian & Abhishek Singh یک منبع جامع برای یادگیری مفاهیم و تکنیک‌های یادگیری ماشین با استفاده از زبان برنامه‌نویسی R است. این کتاب به طور کلی به معرفی اصول پایه‌ای یادگیری ماشین، الگوریتم‌های مختلف و روش‌های پیش‌پردازش و ارزیابی داده‌ها می‌پردازد. نویسنده با ارائه مثال‌های عملی و پروژه‌های واقعی به خوانندگان کمک می‌کند تا بتوانند مفاهیم یادگیری ماشین را به صورت کاربردی درک کنند. همچنین کتاب شامل معرفی کتابخانه‌های مختلف R است که برای پیاده‌سازی الگوریتم‌های یادگیری ماشین مورد استفاده قرار می‌گیرند. به طور کلی این کتاب مناسب برای افرادی است که می‌خواهند با یادگیری ماشین آشنا شوند و از R به عنوان ابزاری برای تحلیل داده‌ها استفاده کنند.

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🔹چولگی
• Skewness

• نشان دهنده میزان عدم تقارن تابع توزیع است.
چولگی برابر با گشتاور سوم نرمال شده‌است. چولگی در حقیقت معیاری از میزان تقارن تابع توزیع می‌باشد. برای یک توزیع کاملاً متقارن چولگی صفر و برای یک توزیع نامتقارن با کشیدگی به سمت مقادیر بالاتر چولگی مثبت و برای توزیع نامتقارن با کشیدگی به سمت مقادیر کوچکتر مقدار چولگی منفی است.


📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🔹سه حالت برای چولگی:

- چولگی نرمال:
میانگین = میانه  = مد

- چولگی راست:
میانگین > میانه > مد

- چولگی چپ:
میانگین  < میانه < مد


📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🖌Notes On Estimation Methods🖌


📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🔷 گراف‌های تصادفی

گراف تصادفی نوعی گراف است که در آن یال‌ها (یا ارتباطات) بین رأس‌ها به صورت تصادفی ایجاد می‌شوند. این نوع گراف‌ها معمولاً برای مدل‌سازی شبکه‌های پیچیده و بررسی رفتار سیستم‌های مختلف در علوم کامپیوتر، ریاضیات، فیزیک و دیگر رشته‌ها استفاده می‌شوند.

دو نوع اصلی از گراف‌های تصادفی وجود دارد:

1. گراف‌های تصادفی Erdős–Rényi مدل G(n,p): در این مدل، یک گراف با n رأس ایجاد می‌شود و هر یال با احتمال p به طور مستقل بین هر دو رأس انتخاب می‌شود. به عبارت دیگر، برای هر جفت رأس، تصمیم گرفته می‌شود که آیا یال بین آن‌ها وجود داشته باشد یا خیر.

2. مدل G(n, M): در این مدل، یک گراف با n رأس ایجاد می‌شود و دقیقاً M یال به طور تصادفی بین رأس‌ها انتخاب می‌شود. در این حالت، تعداد یال‌ها ثابت است و به طور تصادفی بین رأس‌ها توزیع می‌شود.

گراف‌های تصادفی به دلیل ویژگی‌های خاصی که دارند، مانند وجود خوشه‌ها و مسیرهای کوتاه، در تحلیل شبکه‌ها و مطالعه پدیده‌های اجتماعی و طبیعی بسیار مفید هستند.

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔 @StatLaboratory

#معرفی_کتاب

📘 Categorical Data Analysis

🔹️ Alan Agresti

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

#معرفی_کتاب

📘 کتاب "Categorical Data Analysis" نوشتهٔ Alan Agresti یک منبع جامع در زمینهٔ تحلیل داده‌های رسته‌ای است. این کتاب به بررسی روش‌ها و تکنیک‌های آماری برای تجزیه و تحلیل داده‌های کیفی می‌پردازد. نویسنده به مفاهیم پایه، مدل‌های آماری، و تحلیل داده‌ها توجه دارد و مثال‌های عملی را برای درک بهتر ارائه می‌دهد. هدف این کتاب آموزش پژوهشگران و دانشجویان در زمینهٔ استفاده مؤثر از روش‌های آماری برای تحلیل داده‌های رسته‌ای است. این کتاب به عنوان مرجع مهمی در این حوزه شناخته می‌شود و به خوانندگان کمک می‌کند تا نتایج معناداری از داده‌های خود استخراج کنند. همچنین تمامی مثال‌های کاربردی این کتاب به کمک نرم‌افزار آماری R انجام می‌شود.

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🔷داده‌کاوی (Data Mining) فرآیندی است که به کشف الگوها، روابط و اطلاعات مفید از میان حجم عظیمی از داده‌ها می‌پردازد.
در ادامه به برخی از جنبه‌های کلیدی داده‌کاوی می‌پردازیم:

🔹مراحل داده‌کاوی
1. تمیز کردن داده (Data Cleaning): حذف داده‌های نویزی، ناقص و نامعتبر برای بهبود کیفیت داده‌ها.
2. یکپارچه‌سازی داده (Data Integration): ترکیب داده‌ها از منابع مختلف برای ایجاد یک مجموعه‌ی منسجم.
3. انتخاب داده (Data Selection): انتخاب زیرمجموعه‌ای از داده‌ها که برای تحلیل مورد نیاز است.
4. تبدیل داده (Data Transformation): تبدیل داده‌ها به قالب‌های مناسب‌تر برای تحلیل، مانند نرمال‌سازی یا جمع‌آوری.
5. داده‌کاوی (Data Mining): اعمال الگوریتم‌ها و تکنیک‌های مختلف برای کشف الگوها، روابط و اطلاعات مفید.
6. بازنمایی دانش (Knowledge Representation): ارائه‌ی نتایج داده‌کاوی به صورت گزارش‌ها، نمودارها یا سایر ابزارهای بصری برای تصمیم‌گیری.

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

📊 Statistics through interactive visualizations

📑 Chapters:
1. Basic Probability
2. Compound Probability
3. Probability Distributions
4. Frequentist Inference
5. Bayesian Inference
6. Regression Analysis

https://seeing-theory.brown.edu/

🔷 نرم افزار WinBUGS نرم‌افزاری است برای تحلیل‌های آماری با رویکرد بیزی که بر پایه‌ی الگوریتم‌های MCMC به‌ویژه نمونه‌گیری گیبس ساخته شده است. این نرم‌افزار به پژوهشگران اجازه می‌دهد مدل‌های پیچیده‌ آماری را به راحتی تعریف و تحلیل کنند.
در ادامه به جنبه‌های کلیدی این نرم‌افزار می‌پردازیم:
🔹 ویژگی‌های WinBUGS
مدل‌سازی سلسله‌مراتبی (Hierarchical Models): مناسب برای داده‌هایی با ساختار چندلایه‌ای.
تحلیل بیزین: بر پایه‌ی احتمال پسین و بهره‌گیری از داده‌ها و پیش‌فرض‌های پیشین.
استفاده از MCMC: برای شبیه‌سازی و برآورد توزیع‌های پیچیده.
زبان مدل‌نویسی اختصاصی: تعریف مدل‌ها با سینتکس ساده و قابل‌فهم.
ارتباط با R: از طریق پکیج‌های R2WinBUGS و BRugs برای تحلیل‌های ترکیبی.

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory

#معرفی_کتاب

📘 Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow

🔹️ Aurélien Géron

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

#معرفی_کتاب

📘 کتاب "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" نوشته Aurélien Géron یکی از منابع معتبر و جامع در زمینه یادگیری ماشین است. این کتاب به گونه‌ای طراحی شده است که به خوانندگان کمک کند تا مفاهیم یادگیری ماشین را به طور عملی و کاربردی فرا بگیرند. کتاب به صورت گام‌به‌گام، مفاهیم پایه‌ای مانند رگرسیون، طبقه‌بندی، خوشه‌بندی و کاهش ابعاد را معرفی می‌کند. هر فصل شامل مثال‌های عملی و کدهای پایتون است که به خوانندگان این امکان را می‌دهد که مفاهیم را در عمل مشاهده کنند و تجربه کنند. نویسنده به خوبی توضیح می‌دهد که چگونه داده‌ها را پیش‌پردازش کنیم، ویژگی‌ها را انتخاب کنیم و مدل‌های مختلف یادگیری ماشین را پیاده‌سازی کنیم. علاوه بر این، کتاب به مباحث پیشرفته‌تری مانند شبکه‌های عصبی، یادگیری عمیق و تکنیک‌های بهینه‌سازی نیز می‌پردازد. نویسنده با استفاده از مثال‌های واقعی و پروژه‌های کاربردی، خوانندگان را در مسیر یادگیری هدایت می‌کند و به آن‌ها کمک می‌کند تا توانایی‌های خود را در این زمینه تقویت کنند.

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory

🔹آزمون‌های آنالیز واریانس در داده‌ها

📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی

🆔️ @StatLaboratory