Главная страница Категория машинное обучение Освой статистику и машинное обучение: Интуиция, Математика, Код

Освой статистику и машинное обучение: Интуиция, Математика, Код

Name: Освой статистику и машинное обучение: Интуиция, Математика, Код
Price: 13 USD
Rating: 5 (24 reviews)

Master statistics & machine learning: intuition, math, code

udemy

★ 5 (всего оценок - 24)

Начать Сейчас

Продолжительность

35 ч 58 мин

Категория

Машинное обучение

Количество уроков

210 Видео

Дата добавления

22 нояб. 2020 г., 13:13

Язык

Английский

Дата выхода

4 нояб. 2020 г., 02:00

Статистика и вероятности контролируют вашу жизнь. Я имею в виду не только то, что алгоритм YouTube рекомендует вам посмотреть дальше, и я не имею в виду только шанс встретить свою будущую вторую половинку в классе или в баре. Человеческое поведение, одноклеточные организмы, землетрясения, фондовый рынок, выпадет ли снег в первую неделю декабря и множество других явлений являются вероятностными и статистическими. Даже сама природа самой фундаментальной глубинной структуры Вселенной определяется вероятностью и статистикой.

Вам нужно разбираться в статистике.

Почти все области человеческой цивилизации включают кодовые и числовые вычисления. Это означает, что многие рабочие места и области обучения основаны на применении статистических методов и методов машинного обучения в таких языках программирования, как Python и MATLAB. Это часто называют «наукой о данных», и это становится все более важной темой.

Если вы хотите стать перспективным сотрудником, работодателем, специалистом по данным или исследователем в любой технической области - от специалиста по данным до инженеров, от исследователя до разработчика моделей глубокого обучения - вам необходимо знать статистику и машинное обучение.. И вам нужно знать, как реализовать такие концепции, как теория вероятностей и доверительные интервалы, k-means clustering и PCA, корреляция Спирмена и логистическая регрессия, на компьютерных языках, таких как Python или MATLAB.

Вы должны пройти этот курс по таким причинам

Этот курс охватывает все, что вам нужно для понимания основ статистики, машинного обучения и науки о данных, от гистограмм до ANOVA, регрессии до k-means clustering, t-теста до непараметрического перестановочного тестирования.
После завершения этого курса вы сможете понять широкий спектр статистического анализа и анализа машинного обучения, даже конкретные продвинутые методы, которые здесь не преподаются. Это потому, что вы узнаете основы, на которых строятся передовые методы.
Этот курс сочетает математическую строгость с интуитивно понятными объяснениями и практическим изучением кода.
Я изучаю, разрабатываю и преподаю статистику в течение 20 лет, и я вроде как действительно хорош в математике.

Посмотреть больше

Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум

Урок 1. 00:04:29

[Important] Getting the most out of this course
Урок 2. 00:04:10

About using MATLAB or Python
Урок 3. 00:08:48

Statistics guessing game!
Урок 4. 00:05:17

Using the Q&A forum
Урок 5. 00:01:53

(optional) Entering time-stamped notes in the Udemy video player
Урок 6. 00:03:13

Should you memorize statistical formulas?
Урок 7. 00:04:03

Arithmetic and exponents
Урок 8. 00:05:54

Scientific notation
Урок 9. 00:04:22

Summation notation
Урок 10. 00:03:05

Absolute value
Урок 11. 00:05:54

Natural exponent and logarithm
Урок 12. 00:08:59

The logistic function
Урок 13. 00:06:31

Rank and tied-rank
Урок 14. 00:03:49

Download materials for the entire course!
Урок 15. 00:01:54

Is "data" singular or plural?!?!!?!
Урок 16. 00:06:10

Where do data come from and what do they mean?
Урок 17. 00:14:57

Types of data: categorical, numerical, etc
Урок 18. 00:08:59

Code: representing types of data on computers
Урок 19. 00:12:03

Sample vs. population data
Урок 20. 00:05:32

Samples, case reports, and anecdotes
Урок 21. 00:06:58

The ethics of making up data
Урок 22. 00:11:39

Bar plots
Урок 23. 00:17:00

Code: bar plots
Урок 24. 00:05:42

Box-and-whisker plots
Урок 25. 00:08:42

Code: box plots
Урок 26. 00:02:32

"Unsupervised learning": Boxplots of normal and uniform noise
Урок 27. 00:11:17

Histograms
Урок 28. 00:16:41

Code: histograms
Урок 29. 00:02:23

"Unsupervised learning": Histogram proportion
Урок 30. 00:06:00

Pie charts
Урок 31. 00:13:23

Code: pie charts
Урок 32. 00:06:12

When to use lines instead of bars
Урок 33. 00:09:05

Linear vs. logarithmic axis scaling
Урок 34. 00:07:25

Code: line plots
Урок 35. 00:01:45

"Unsupervised learning": log-scaled plots
Урок 36. 00:04:32

Descriptive vs. inferential statistics
Урок 37. 00:07:30

Accuracy, precision, resolution
Урок 38. 00:11:27

Data distributions
Урок 39. 00:32:09

Code: data from different distributions
Урок 40. 00:01:58

"Unsupervised learning": histograms of distributions
Урок 41. 00:05:30

The beauty and simplicity of Normal
Урок 42. 00:12:48

Measures of central tendency (mean)
Урок 43. 00:12:18

Measures of central tendency (median, mode)
Урок 44. 00:13:59

Code: computing central tendency
Урок 45. 00:03:09

"Unsupervised learning": central tendencies with outliers
Урок 46. 00:17:49

Measures of dispersion (variance, standard deviation)
Урок 47. 00:26:34

Code: Computing dispersion
Урок 48. 00:04:54

Interquartile range (IQR)
Урок 49. 00:15:59

Code: IQR
Урок 50. 00:07:23

QQ plots
Урок 51. 00:15:35

Code: QQ plots
Урок 52. 00:08:24

Statistical "moments"
Урок 53. 00:10:01

Histograms part 2: Number of bins
Урок 54. 00:12:25

Code: Histogram bins
Урок 55. 00:03:20

Violin plots
Урок 56. 00:10:10

Code: violin plots
Урок 57. 00:02:32

"Unsupervised learning": asymmetric violin plots
Урок 58. 00:11:03

Shannon entropy
Урок 59. 00:20:16

Code: entropy
Урок 60. 00:01:27

"Unsupervised learning": entropy and number of bins
Урок 61. 00:04:11

Garbage in, garbage out (GIGO)
Урок 62. 00:09:26

Z-score standardization
Урок 63. 00:12:51

Code: z-score
Урок 64. 00:05:07

Min-max scaling
Урок 65. 00:08:17

Code: min-max scaling
Урок 66. 00:02:36

"Unsupervised learning": Invert the min-max scaling
Урок 67. 00:14:27

What are outliers and why are they dangerous?
Урок 68. 00:09:27

Removing outliers: z-score method
Урок 69. 00:04:05

The modified z-score method
Урок 70. 00:22:31

Code: z-score for outlier removal
Урок 71. 00:02:39

"Unsupervised learning": z vs. modified-z
Урок 72. 00:09:27

Multivariate outlier detection
Урок 73. 00:09:02

Code: Euclidean distance for outlier removal
Урок 74. 00:05:48

Removing outliers by data trimming
Урок 75. 00:11:04

Code: Data trimming to remove outliers
Урок 76. 00:04:41

Non-parametric solutions to outliers
Урок 77. 00:03:05

An outlier lecture on personal accountability
Урок 78. 00:12:18

What is probability?
Урок 79. 00:09:26

Probability vs. proportion
Урок 80. 00:10:29

Computing probabilities
Урок 81. 00:14:35

Code: compute probabilities
Урок 82. 00:04:59

Probability and odds
Урок 83. 00:02:31

"Unsupervised learning": probabilities of odds-space
Урок 84. 00:13:07

Probability mass vs. density
Урок 85. 00:11:38

Code: compute probability mass functions
Урок 86. 00:10:45

Cumulative probability distributions
Урок 87. 00:09:42

Code: cdfs and pdfs
Урок 88. 00:02:26

"Unsupervised learning": cdf's for various distributions
Урок 89. 00:18:32

Creating sample estimate distributions
Урок 90. 00:02:54

Monte Carlo sampling
Урок 91. 00:08:42

Sampling variability, noise, and other annoyances
Урок 92. 00:26:16

Code: sampling variability
Урок 93. 00:10:10

Expected value
Урок 94. 00:12:46

Conditional probability
Урок 95. 00:20:13

Code: conditional probabilities
Урок 96. 00:06:25

Tree diagrams for conditional probabilities
Урок 97. 00:09:51

The Law of Large Numbers
Урок 98. 00:19:24

Code: Law of Large Numbers in action
Урок 99. 00:10:35

The Central Limit Theorem
Урок 100. 00:16:22

Code: the CLT in action
Урок 101. 00:02:10

"Unsupervised learning": Averaging pairs of numbers
Урок 102. 00:16:46

IVs, DVs, models, and other stats lingo
Урок 103. 00:15:09

What is an hypothesis and how do you specify one?
Урок 104. 00:10:39

Sample distributions under null and alternative hypotheses
Урок 105. 00:18:57

P-values: definition, tails, and misinterpretations
Урок 106. 00:06:52

P-z combinations that you should memorize
Урок 107. 00:12:22

Degrees of freedom
Урок 108. 00:14:19

Type 1 and Type 2 errors
Урок 109. 00:09:13

Parametric vs. non-parametric tests
Урок 110. 00:08:34

Multiple comparisons and Bonferroni correction
Урок 111. 00:06:52

Statistical vs. theoretical vs. clinical significance
Урок 112. 00:11:31

Cross-validation
Урок 113. 00:11:13

Statistical significance vs. classification accuracy
Урок 114. 00:13:14

Purpose and interpretation of the t-test
Урок 115. 00:08:10

One-sample t-test
Урок 116. 00:20:47

Code: One-sample t-test
Урок 117. 00:02:51

"Unsupervised learning": The role of variance
Урок 118. 00:13:07

Two-samples t-test
Урок 119. 00:22:10

Code: Two-samples t-test
Урок 120. 00:04:46

"Unsupervised learning": Importance of N for t-test
Урок 121. 00:07:37

Wilcoxon signed-rank (nonparametric t-test)
Урок 122. 00:18:35

Code: Signed-rank test
Урок 123. 00:06:04

Mann-Whitney U test (nonparametric t-test)
Урок 124. 00:05:22

Code: Mann-Whitney U test
Урок 125. 00:11:27

Permutation testing for t-test significance
Урок 126. 00:25:27

Code: permutation testing
Урок 127. 00:05:22

"Unsupervised learning": How many permutations?
Урок 128. 00:08:46

What are confidence intervals and why do we need them?
Урок 129. 00:06:44

Computing confidence intervals via formula
Урок 130. 00:17:12

Code: compute confidence intervals by formula
Урок 131. 00:08:59

Confidence intervals via bootstrapping (resampling)
Урок 132. 00:14:34

Code: bootstrapping confidence intervals
Урок 133. 00:01:26

"Unsupervised learning:" Confidence intervals for variance
Урок 134. 00:06:23

Misconceptions about confidence intervals
Урок 135. 00:18:21

Motivation and description of correlation
Урок 136. 00:14:10

Covariance and correlation: formulas
Урок 137. 00:27:50

Code: correlation coefficient
Урок 138. 00:13:51

Code: Simulate data with specified correlation
Урок 139. 00:09:35

Correlation matrix
Урок 140. 00:20:26

Code: correlation matrix
Урок 141. 00:02:52

"Unsupervised learning": average correlation matrices
Урок 142. 00:04:17

"Unsupervised learning": correlation to covariance matrix
Урок 143. 00:10:24

Partial correlation
Урок 144. 00:19:56

Code: partial correlation
Урок 145. 00:06:44

The problem with Pearson
Урок 146. 00:07:18

Nonparametric correlation: Spearman rank
Урок 147. 00:06:55

Fisher-Z transformation for correlations
Урок 148. 00:07:41

Code: Spearman correlation and Fisher-Z
Урок 149. 00:01:29

"Unsupervised learning": Spearman correlation
Урок 150. 00:02:26

"Unsupervised learning": confidence interval on correlation
Урок 151. 00:10:38

Kendall's correlation for ordinal data
Урок 152. 00:18:10

Code: Kendall correlation
Урок 153. 00:02:40

"Unsupervised learning": Does Kendall vs. Pearson matter?
Урок 154. 00:04:42

The subgroups correlation paradox
Урок 155. 00:05:27

Cosine similarity
Урок 156. 00:21:20

Code: Cosine similarity vs. Pearson correlation
Урок 157. 00:17:52

ANOVA intro, part1
Урок 158. 00:19:57

ANOVA intro, part 2
Урок 159. 00:18:14

Sum of squares
Урок 160. 00:07:29

The F-test and the ANOVA table
Урок 161. 00:12:39

The omnibus F-test and post-hoc comparisons
Урок 162. 00:19:53

The two-way ANOVA
Урок 163. 00:13:25

One-way ANOVA example
Урок 164. 00:16:35

Code: One-way ANOVA (independent samples)
Урок 165. 00:12:18

Code: One-way repeated-measures ANOVA
Урок 166. 00:11:18

Two-way ANOVA example
Урок 167. 00:14:29

Code: Two-way mixed ANOVA
Урок 168. 00:19:54

Introduction to GLM / regression
Урок 169. 00:09:47

Least-squares solution to the GLM
Урок 170. 00:16:18

Evaluating regression models: R2 and F
Урок 171. 00:13:18

Simple regression
Урок 172. 00:09:13

Code: simple regression
Урок 173. 00:01:06

"Unsupervised learning": Compute R2 and F
Урок 174. 00:13:02

Multiple regression
Урок 175. 00:12:19

Standardizing regression coefficients
Урок 176. 00:18:43

Code: Multiple regression
Урок 177. 00:08:57

Polynomial regression models
Урок 178. 00:15:47

Code: polynomial modeling
Урок 179. 00:00:53

"Unsupervised learning": Polynomial design matrix
Урок 180. 00:16:56

Logistic regression
Урок 181. 00:09:28

Code: Logistic regression
Урок 182. 00:16:20

Under- and over-fitting
Урок 183. 00:01:57

"Unsupervised learning": Overfit data
Урок 184. 00:12:26

Comparing "nested" models
Урок 185. 00:06:37

What to do about missing data
Урок 186. 00:09:48

What is statistical power and why is it important?
Урок 187. 00:11:23

Estimating statistical power and sample size
Урок 188. 00:04:11

Compute power and sample size using G*Power
Урок 189. 00:13:47

K-means clustering
Урок 190. 00:22:12

Code: k-means clustering
Урок 191. 00:01:54

"Unsupervised learning:" K-means and normalization
Урок 192. 00:01:27

"Unsupervised learning:" K-means on a Gauss blur
Урок 193. 00:14:19

Clustering via dbscan
Урок 194. 00:33:04

Code: dbscan
Урок 195. 00:03:05

"Unsupervised learning": dbscan vs. k-means
Урок 196. 00:06:21

K-nearest neighbor classification
Урок 197. 00:11:49

Code: KNN
Урок 198. 00:16:35

Principal components analysis (PCA)
Урок 199. 00:17:33

Code: PCA
Урок 200. 00:01:36

"Unsupervised learning:" K-means on PC data
Урок 201. 00:12:46

Independent components analysis (ICA)
Урок 202. 00:12:41

Code: ICA
Урок 203. 00:05:30

The two perspectives of the world
Урок 204. 00:12:31

d-prime
Урок 205. 00:15:03

Code: d-prime
Урок 206. 00:08:03

Response bias
Урок 207. 00:04:16

Code: Response bias
Урок 208. 00:07:35

Receiver operating characteristics (ROC)
Урок 209. 00:08:11

Code: ROC curves
Урок 210. 00:01:34

"Unsupervised learning": Make this plot look nicer!

Автор - udemy

udemy

Udemy - одна из самых больших площадок в мире по доставке обучающего контента от разных авторов всего мира. Присутсвуют курсы практически на любую тему.