تو امروز را ديگر بازنخواهي يافت، پس از آن نهايت بهره را ببر!

شنبه
1403/01/25

@StatisticalLanguage

«صبح بخیر» فقط یه جمله ساده نیست!
بلکه یه اقدامه… یه باوره… باور به اینکه قراره کل روزت بخیر باشه!
صبح، بهترین موقع برای اینه که ساز کل روزت رو کوک کنی!
پس عالی کوکش کن!
روز خوبی داشته باشی🌷

۶ اردیبهشت ۱۴۰۳

🍃🌸🍃🌼🍃

@StatisticalLanguage

نه بهونه بيار ، نه بهونه بپذير .
Give no excuses. Take no excuses.

تمام حرفه اى ها اول به عنوان یك آماتور شروع كردن .
Every Pro has started as an amateur.

سلام سلااااام😍
امیدوارم حال دلتون خوب باشه🤝
درسته چند وقتیه نبودیم و فعالیت کم شده بود ولی دست پر برگشتیم با کلی خبرهای خوش و عالی که بتونیم کنار هم تجربه‌های زیادی کسب کنیم اول براتون چند تا تست میذارم گرم بشین🙂‍↔️
بعدش خبرو براتون میذارم😍
نبینم سر سری ازش بگذریناااااا🫠🫶

@StatisticalLanguage

کدام یک از موارد یک نمونه از یک توزیع احتمال است؟

کدام یک از گزینه ها یک معیار برای سنجش پراکندگی داده‌ها است؟

خببببب و اما خبرمون😍☄💥💥💥💥

مجموعه جهان آمار نوین با شعار نگرشی نو به دنیای داده‌ها و با برخورداری از دانشجویان و فارغ التحصیلان  متخصص و متعهد طیف گسترده‌ای  از خدمات آماری را ارائه می‌دهد.

اهداف مجموعه جهان آمار نوین:
1- ارائه خدمات مشاوره آماری در زمینه‌های مختلف تحصیلی و صنایع مختلف
2- انجام پروژه‌های آماری با رویکرد علمی و کاربردی
3- برگزاری دوره‌های آموزشی آماری به منظور ارتقای دانش و مهارت‌های آماری
4- ایجاد فرصتی برای دانشجویان جهت کسب تجربه عملی در زمینه آمار
5- تولید و تدوین محتوا‌های آموزشی در شبکه‌های اجتماعی
6-برگزاری نشست‌های هم اندیشی با انجمن‌های علمی دانشگاه‌ها و فعالین آماری در شبکه‌های اجتماعی
7- فراهم نمودن زمینه تبادل نظر و تجارب بین اساتید و دانشجویان

امید است با همکاری و تعهد شما همراهان عزیز، شاهد فعالیت‌های اثر بخش‌ مجموعه جهان آمار نوین در راستای اهداف عالیه خود باشیم.

💬 تنها راه انجام کارهای بزرگ، عشق به کاری است که انجام می‌دهید.

🤝 با ما همراه شوید و در توسعه دانش آماری کشور سهیم باشید!

🌐 صفحات اجتماعی ما:

تلگرام

اینستاگرام

یوتیوب

لینکدین

شروع فعالیت:
1403/03/03

روی این متن های آبی شده از صفحات اجتماعی انگشتت رو بزن وارد دنیای جهان آمار نوین شو که قراره با هم کلی از آمار بدونیم و نگاهی نو بهش داشته باشیم 😍


پیام بالا رو حتما واسه دوستات بفرست و بهشون خبر بده و اونارو بی نصیب نذار یالا تو میتونی بهت اطمینان دارم😉🌹

@StatisticalLanguage

The only thing that stands between you and your dream is the will to try and the belief that it is actually possible.

“تنها چیزی که بین شما و رویایتان قرار دارد، اراده، تلاش و ایمان به این است که واقعاً ممکن است.” – جوئل براون




سلااااام به دوستان عزیز
همه وقت شما بخیر باشه 🌹🌹

امروز می‌خواهیم یه متن از یه کتاب خیلی قشنگ را با هم بخونیم و به یه سری سوالات جواب بدیم .


@StatisticalLanguage

Dear friends, read the text carefully and answer the questions.

Resampling methods are an indispensable tool in modern statistics. They involve repeatedly drawing samples from a training set and refitting a model of interest on each sample in order to obtain additional information about the fitted model.
For example, in order to estimate the variability of a linear regression fit, we can repeatedly draw different samples from the training data, fit a linear regression to each new sample, and then examine the extent to which the resulting fits differ.
Such an approach may allow us to obtain information that would not be available from fitting the model only once using the original training sample.
Resampling approaches can be computationally expensive, because they involve fitting the same statistical method multiple times using different
subsets of the training data.
However, due to recent advances in computing power, the computational requirements of resampling methods generally are not prohibitive.
In this chapter, we discuss two of the most commonly used resampling methods, cross-validation and the bootstrap.
Both methods are important tools in the practical application of many statistical learning procedures.
For example, cross validation can be used to estimate the test error associated with a given statistical learning method in order to evaluate its performance, or to select the appropriate level of flexibility.
The process of evaluating a model’s performance is known as model assessment, whereas the process of selecting the proper level of flexibility for a model is known as model selection. The bootstrap is used in several contexts, most commonly to provide a measure of accuracy of a parameter estimate or of a given statistical learning method.

Here are three multiple-choice questions based on the text, along with the correct answers: