🖇Applying random numbers across a wide range of categories, including number theory:
https://www.quantamagazine.org/in-a-moment-mathematicians-merge-probability-and-number-theory-20230112/
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
https://www.quantamagazine.org/in-a-moment-mathematicians-merge-probability-and-number-theory-20230112/
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
Quanta Magazine
In a Moment, Mathematicians Merge Probability and Number Theory | Quanta Magazine
Mathematicians are taking ideas developed to study random numbers and applying them to a broad range of categories.
🔥6
🔻 گزارش تصویری از برگزاری کارگاه تحلیل دادههای پزشکی
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
🔥13
🔷 ریسک چیست⁉️
• ریسک به معنای انحراف از نتایج مطلوب در یک موقعیت مشخص است و شامل احتمال وقوع حوادث ناخواسته و نتایج منفی آنها میباشد. تعریف ریسک شامل سه مولفه اصلی است: سناریوی رویداد، احتمال وقوع و نتیجه آن. ریسک به عدم قطعیت در آینده مربوط میشود و تفاوت عمدهای با شانس دارد؛ در حالی که شانس به احتمال برد و باخت اشاره دارد، ریسک به احتمال وقوع حوادث منفی مربوط میشود. به طور کلی، مدیریت ریسک قابل انجام است و شامل شناسایی، ارزیابی و کنترل ریسکها است.
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔 @StatLaboratory
• ریسک به معنای انحراف از نتایج مطلوب در یک موقعیت مشخص است و شامل احتمال وقوع حوادث ناخواسته و نتایج منفی آنها میباشد. تعریف ریسک شامل سه مولفه اصلی است: سناریوی رویداد، احتمال وقوع و نتیجه آن. ریسک به عدم قطعیت در آینده مربوط میشود و تفاوت عمدهای با شانس دارد؛ در حالی که شانس به احتمال برد و باخت اشاره دارد، ریسک به احتمال وقوع حوادث منفی مربوط میشود. به طور کلی، مدیریت ریسک قابل انجام است و شامل شناسایی، ارزیابی و کنترل ریسکها است.
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔 @StatLaboratory
🔥6
#معرفی_کتاب
📘 Forecasting Principles and Practice
🔹️ Rob J. Hyndman & George Athanasopoulos
📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
📘 Forecasting Principles and Practice
🔹️ Rob J. Hyndman & George Athanasopoulos
📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
🔥4
Forecasting.pdf
10.8 MB
#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
📘 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
🔥5
🔷شکل انواع توزیعهای آماری
• Different Types of Distributions
📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
• Different Types of Distributions
📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
🔥7👍1
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
امید که امسال شاهد پیشرفتهای روزافزون و شادی و سلامتی کنار همدیگر باشیم🌻🎊
📘 آزمایشگاه آموزش آمار و علم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
❤11
Forwarded from | انجمن علمی زیستشناسی |
انجمنهای علمی زیستشناسی شبکه نخبگان ایران، علوم و فناوریهای زیستی دانشگاه شهید بهشتی و زیستشناسی دانشگاه تهران با افتخار از برگزاری رویداد ملی "با هم بنویسیم" خبر میدهند!
لطفا جهت شرکت در برنامه تا تاریخ ۷ فروردینماه، پرسشنامهی ثبتنام را تکمیل بفرمایید.
دقت کنید که هر فرد سه اولویت خواهد داشت، در حین انتخاب اولویتها، بر اساس علاقه و همچنین در نظر گرفتن تمامی جوانب عمل کنید (توجه داشته باشید که ظرفیت هر یک از اساتید محدود میباشد!)
نتایج پس از بررسی رزومهها توسط داوران به افراد منتخب اطلاع داده خواهد شد.
🎖 سرتیفیکیت؟ گواهی مهارت شما، خبر چاپ مقاله شماست!💰 همچنین هزینه شرکت در برنامه در وهله اول رایگان و پس از انتخاب شدن، دانشجویان مقطع کارشناسی و ارشد با مبلغ ۲۹۹ هزارتومان و دانشجویان دکتری با مبلغ ۲۴۹ هزارتومان، میتوانند ثبتنام خود را نهایی کنند.
🧬با ما همراه باشید…
| @Biology_Network |
| @SBUBIOSOCIETY |
| @UTBiologyAssociation |
Please open Telegram to view this post
VIEW IN TELEGRAM
🔷 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
• 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
👏4👍1
#معرفی_کتاب
📘 Machine Learning Using R
🔹️ Karthik Ramasubramanian & Abhishek Singh
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
📘 Machine Learning Using R
🔹️ Karthik Ramasubramanian & Abhishek Singh
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
🔥4😁1
Machine Learning Using R.pdf
17.7 MB
#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
📘 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
🔥4
🔹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
• 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
🔥3
🔹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
- 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
🔥4
🔷 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
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
🔥6👍2
#معرفی_کتاب
📘 Categorical Data Analysis
🔹️ Alan Agresti
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
📘 Categorical Data Analysis
🔹️ Alan Agresti
📘 آزمایشگاه آموزش آمار، احتمال و علوم داده دانشگاه شهید بهشتی
🆔️ @StatLaboratory
🔥5
Categorical data analysis.pdf
4.8 MB
#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
📘 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
🔥5
🔷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
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
🔥5