tolue.academy

⚡️دنیای هوش مصنوعی را کشف کنید!
هسته فناور علمی و آموزشی طلوع با همکاری مرکز رشد دانشگاه مازندران و انجمن‌های علمی برتر ایران فرصتی بی‌نظیر برای شما فراهم کرده است!


📌کارگاه آموزشی ویژه دانشجویان:
"کار با ابزار هوش مصنوعی و تولید محتوای آموزشی"


🧑‍💻 مدرس :
جناب آقای محمد رسول عزیزی
کارشناس ارشد علوم کامپیوتر گرایش هوش مصنوعی و استاد برنامه نویسی پایتون و هوش مصنوعی با سابقه ۴ سال تدریس


🗓زمان برگزاری : 
از پنجشنبه ۲۹ شهریور ساعت ۱۹ (۵جلسه آموزشی)


🟢هزینه ی کارگاه:
به صورت آزاد ۶۰۰ هزار تومان
با کد تخفیف انجمن های همکار ۴۲۰ هزار تومان
🔥کد تخفیف انجمن های همکار: Tolue345


🖥 فرمت برگزاری:
#آنلاین در بستر گوگل میت


🥇 گواهی معتبر:
همراه با ارائه گواهی معتبر شرکت در دوره


‼️ ظرفیت محدود است!


🔗 جهت ثبت نام به آیدی تلگرامی زیر مراجعه نمایید:
@M_solooki


✨با ما همراه شوید و گامی بزرگ به سوی آینده‌ای روشن‌تر بردارید!


#هوش_مصنوعی  #فرصت_استثنایی
#هسته_فناور_علمی_و_آموزشی_طلوع

🌀@Academy_Tolue
🌀Telegram | instagram


🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

🔻دانشمند John Tukey
#افرادبرجسته

جان توکی، آماردان آمریکایی، در  ماساچوست متولد شد. او تحصیلاتش را در دانشگاه براون و پرینستون ادامه داد و در حوزه‌هایی مثل تحلیل سری‌های زمانی، طراحی آزمایش‌ها و تحلیل داده‌های اکتشافی(EDA) تخصص داشت.
نکته جالب درمورد او مخفف کردن "binary digit" به شکل "bit" بود که بعنوان کوچکترین واحد ذخیره داده در کامپیوتر استفاده میشه

🔺مهم ترین اقدامات او در آمار

- تحلیل داده‌های اکتشافی (EDA)
او رویکرد "تحلیل داده‌های اکتشافی" را توسعه داد که بر تجزیه و تحلیل بصری و توصیفی داده‌ها پیش از استفاده از آزمون‌های آماری تأکید داره. این روش به کشف الگوها و شناسایی نقاط پرت کمک میکنه

- باکس‌پلات (Boxplot)
یکی از ابزارهای گرافیکی مهمی که توکی معرفی کرد، باکس‌پلات است که برای نمایش توزیع داده‌ها و شناسایی نقاط پرت استفاده میشه. این نمودار به تحلیل بصری داده‌ها کمک شایانی میکنه

🔺کتاب های تاثیرگذار
- Exploratory Data Analysis
- Graphical analysis of multiresponse data; illustrated with a plant breedingtrial, interdisciplinary statistics
و..

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

⭕️ مهلت ثبت نام تا روز پنجشنبه ۱۲ مهر تمدید شد.

✨ به مناسب میلاد پیامبر رحمت حضرت محمد(ص) و امام جعفرصادق(ع) تخفیف ۵۰ درصدی فقط برای کسانی که تا ۲ مهر ثبت نام کنند.

📌جهت ثبت نام به آیدی تلگرامی زیر مراجعه نمایید:
@M_solooki

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

کاملترین فایل آزمون‌های ناپارامتری با نرم افزار پایتون

گرد آورنده: محمود شاهپری

#آزمون_ناپارامتری
#آزمون_فرض
#کاربردی
#پایتون

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

#آزمون_کلموگروف_اسمیرنوف
#آزمون_نیکویی_برازش
#آزمون_نرمالیتی


🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

آزمون کلموگروف-اسمیرنف: ابزاری برای ارزیابی نرمال بودن توزیع داده‌ها

آزمون کلموگروف-اسمیرنف (Kolmogorov-Smirnov Test) یکی از آزمون‌های آماری معروف است که برای مقایسه توزیع یک نمونه داده با توزیع نرمال یا هر توزیع مفروض دیگر استفاده می‌شود. این آزمون به‌ویژه در زمانی که نیاز به ارزیابی نرمال بودن توزیع داده‌ها داریم، کاربرد دارد و علاوه بر توزیع نرمال، می‌تواند برای دیگر توزیع‌های نظری نیز به کار گرفته شود.

اهمیت آزمون کلموگروف-اسمیرنف در تحلیل داده‌ها

یکی از مزیت‌های اصلی آزمون کلموگروف-اسمیرنف این است که برای هر اندازه نمونه قابل اجراست و محدود به داده‌های کوچک نیست. این آزمون به پژوهشگران امکان می‌دهد تا انحرافات بین توزیع نمونه و توزیع نرمال را شناسایی کرده و از این طریق تصمیم بگیرند که آیا داده‌های آن‌ها از توزیع مفروض پیروی می‌کند یا خیر. همچنین این آزمون برای داده‌هایی که دارای محدودیت‌های پیوستگی هستند نیز مناسب است.

نحوه انجام آزمون کلموگروف-اسمیرنف

این آزمون بر اساس تفاوت مطلق بین توزیع تجمعی داده‌های نمونه و توزیع تجمعی مفروض (مانند توزیع نرمال) محاسبه می‌شود. هرچه این اختلاف بزرگ‌تر باشد، احتمالاً داده‌ها از توزیع مفروض فاصله بیشتری دارند.

مراحل اجرای آزمون به شرح زیر است:

انتخاب توزیع مفروض: توزیعی که قرار است داده‌های نمونه با آن مقایسه شوند، مشخص می‌شود. در اینجا، فرض می‌کنیم که توزیع نرمال موردنظر است.

اجرای آزمون: آزمون کلموگروف-اسمیرنف اجرا شده و تفاوت بین توزیع تجمعی داده‌های نمونه و توزیع تجمعی نرمال محاسبه می‌شود.
محاسبه مقدار p-value: این مقدار نشان می‌دهد که آیا تفاوت مشاهده‌شده از نظر آماری معنادار است یا خیر.

تفسیر نتایج آزمون
اگر p-value بزرگ‌تر از 0.05 باشد، فرض نرمال بودن داده‌ها رد نمی‌شود. این بدان معنی است که داده‌ها به‌طور قابل قبولی از توزیع نرمال پیروی می‌کنند.
اگر p-value کمتر از 0.05 باشد، فرض نرمال بودن داده‌ها رد می‌شود. در این حالت، نشان می‌دهد که داده‌ها از توزیع نرمال فاصله قابل توجهی دارند.

مثال کاربردی: بررسی نرمال بودن توزیع درآمد کارکنان

فرض کنید یک شرکت می‌خواهد توزیع درآمد کارکنان خود را بررسی کند تا مشخص کند آیا توزیع درآمدها نرمال است یا خیر. داده‌های مربوط به درآمد 50 نفر از کارکنان جمع‌آوری شده است.

اجرای آزمون کلموگروف-اسمیرنف: ابتدا توزیع درآمدها با توزیع نرمال مقایسه می‌شود.
نتایج آزمون: فرض کنید مقدار p-value برابر با 0.43 باشد. از آنجایی که این مقدار بزرگ‌تر از 0.05 است، نتیجه می‌گیریم که داده‌ها به‌طور قابل قبولی از توزیع نرمال پیروی می‌کنند.

مقایسه با آزمون شاپیرو-ویلک

در حالی که آزمون شاپیرو-ویلک برای نمونه‌های کوچک مناسب‌تر است و دقت بالایی در شناسایی انحراف از نرمالیت دارد، آزمون کلموگروف-اسمیرنف برای نمونه‌های بزرگ‌تر قابل استفاده بوده و برای داده‌های پیوسته مفید است. در بسیاری از پژوهش‌ها، هر دو آزمون به عنوان رویکردی تکمیلی استفاده می‌شوند تا نتیجه‌گیری دقیق‌تری درباره نرمال بودن داده‌ها داشته باشیم.

#آزمون_کلموگروف_اسمیرنوف
#آزمون_نیکویی_برازش
#آزمون_نرمالیتی


🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

#روش_های_تشخیصی_خطی
#روش_تحلیل_تشخیصی_درجه_دوم
#طبقه_بندی
#تابع_تشخیص
#پارامتری

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

روش تحلیل تشخیصی خطی
(Linear Discriminant Analysis)
روش تحلیل تشخیصی درجه دوم
(Quadratic Discriminant Analysis)

روش تحلیل تشخیصی خطی و تحلیل تشخیصی درجه دوم که به اختصار LDA  و QDA  نامیده می‌شود، دو روش پراستفاده در دسته‌بندی داده‌ها هستند که شباهت‌هایی با روش‌های تحلیل واریانس و تحلیل رگرسیون دارند. اما تفاوت مهم آن‌ها این است که در LDA و QDA، متغیر وابسته به صورت اسمی یا رتبه‌ای است، در حالی که در تحلیل واریانس و رگرسیون، متغیر وابسته کمی و پیوسته است. هر دو روش در دسته روش‌های پارامتری قرار دارند؛ زیرا یکی از فرض‌های اصلی این روش‌ها، نرمال بودن توزیع داده‌ها است.

هدف اصلی LDA و QDA استفاده از یک تابع تشخیص برای جداسازی و تفکیک گروه‌ها یا دسته‌ها از هم است. با این حال، تفاوت‌های کلیدی در نوع تابع تشخیص و ماتریس کوواریانس بین گروه‌ها وجود دارد:

- روش LDA:
از تابع تشخیص خطی استفاده می‌کند و فرض می‌کند که ماتریس کوواریانس بین تمام گروه‌ها یکسان است.
- روش QDA:
از تابع تشخیص درجه دوم (منحنی) استفاده می‌کند و فرض می‌کند که ماتریس کوواریانس بین گروه‌ها نابرابر است.

مثال کاربردی: اسنپ و انتخاب نوع وسیله نقلیه

فرض کنید در اپلیکیشن اسنپ یا یک سرویس مشابه، شما باید تصمیم بگیرید که بین گزینه‌های مختلفی مثل تاکسی اقتصادی، تاکسی لوکس یا موتورسیکلت یکی را انتخاب کنید. تصمیم شما بستگی به ویژگی‌هایی مانند مسافت، تعداد مسافر، میزان ترافیک و زمان دارد. هر یک از این ویژگی‌ها در نهایت تأثیر مستقیمی بر انتخاب شما دارند.

1. روش LDA  در مثال اسنپ:

در این حالت، LDA فرض می‌کند که مرز بین انتخاب‌ها خطی است. به عنوان مثال، اگر مسافت زیر 5 کیلومتر باشد، احتمالاً موتورسیکلت انتخاب می‌شود؛ اگر مسافت بیشتر و تعداد مسافر زیاد باشد، تاکسی اقتصادی پیشنهاد می‌شود؛ و اگر مسافت بسیار زیاد باشد و ترافیک سنگین باشد، احتمالاً تاکسی لوکس انتخاب خواهد شد. در اینجا، LDA مرزهای خطی بین انتخاب‌ها رسم می‌کند و به شما کمک می‌کند با استفاده از داده‌های موجود به صورت ساده و خطی انتخاب خود را انجام دهید.

مثال:
- اگر مسافت شما زیر 5 کیلومتر باشد و تعداد مسافر یک نفر باشد، موتورسیکلت انتخاب می‌شود.
- اگر مسافت بالای 10 کیلومتر باشد و ترافیک سنگین نباشد، تاکسی لوکس مناسب است.

2.  روش QDA در مثال اسنپ:

در QDA، فرض بر این است که مرز بین انتخاب‌ها پیچیده‌تر و غیرخطی است. برای مثال، در شرایطی که ترافیک بسیار سنگین باشد و مسافت طولانی، شاید موتورسیکلت حتی برای مسافت طولانی هم انتخاب خوبی باشد. یا اگر زمان روز و میزان عجله در نظر گرفته شود، ممکن است ترکیبی از این شرایط باعث شود که انتخاب تاکسی لوکس یا اقتصادی تغییر کند. در اینجا، QDA مرزهای منحنی یا درجه دوم بین انتخاب‌ها رسم می‌کند و به شما کمک می‌کند که با توجه به شرایط پیچیده‌تر تصمیم‌گیری کنید.

مثال:
- اگر مسافت 7 کیلومتر باشد و ترافیک سنگین باشد، ممکن است QDA پیشنهاد موتورسیکلت را بدهد.
- اما در شرایط ترافیک سبک، همان مسافت 7 کیلومتر ممکن است به شما تاکسی اقتصادی را پیشنهاد کند.

#روش_تحلیل_تشخیصی_خطی
#روش_تحلیل_تشخیصی_درجه_دوم
#طبقه_بندی
#تابع_تشخیص
#پارامتری

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

برنامه مهارت آموزی مرکز آموزش فناوری اطلاعات گرگان



🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستا

#رگرسیون
#لوژستیک
#رده_بندی
#لجستیک
#پیشگویی

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

رگرسیون لوژستیک (Logistic  Regression )

رگرسیون لوژستیک یک روش آماری پرکاربرد برای پیشگویی نتایج دوتایی است. این روش کمک می‌کند تا بفهمیم چگونه مجموعه‌ای از عوامل می‌تواند بر احتمال وقوع یک نتیجه خاص تأثیر بگذارد. به عنوان مثال، می‌توانیم پیشگویی کنیم که آیا فردی با توجه به ویژگی‌هایش بیمار خواهد شد یا مشتری یک محصول خاص را خریداری می‌کند. رگرسیون لوژستیک به دلیل سادگی و قابلیت تحلیل داده‌های دسته‌بندی‌شده در بسیاری از حوزه‌ها استفاده می‌شود.

تفاوت رگرسیون لوژستیک و رگرسیون خطی:

رگرسیون لوژستیک برای پیشگویی نتایج دسته‌بندی‌شده (مانند بله یا خیر) استفاده می‌شود، در حالی که رگرسیون خطی برای پیشگویی مقادیر عددی پیوسته (مانند قد یا وزن) به کار می‌رود. خروجی رگرسیون لوژستیک، احتمال وقوع یک رویداد است که همیشه مقداری بین 0 و 1 دارد. این مدل به ما اجازه می‌دهد به‌جای پیشگویی یک مقدار دقیق، احتمال وقوع یک حالت خاص را پیشگویی کند.

کاربردهای رگرسیون لوژستیک:

پزشکی: پیشگویی احتمال ابتلا به یک بیماری با استفاده از ویژگی‌هایی مانند سن، فشار خون، و سطح کلسترول.
بازاریابی: پیشگویی احتمال خرید یک محصول توسط مشتری بر اساس رفتارهای او.
علوم اجتماعی: مدل‌سازی رفتارهای دوگانه، مانند شرکت یا عدم شرکت در انتخابات.

چگونه رگرسیون لوژستیک کار می‌کند؟

رگرسیون لوژستیک با استفاده از داده‌های موجود، پیشگویی می‌کند که با توجه به متغیرهای مستقل (مانند سن یا درآمد)، چه احتمالی برای وقوع نتیجه خاصی وجود دارد (مثلاً خرید محصول یا ابتلا به بیماری). این مدل به ما نشان می‌دهد کدام عوامل بر نتیجه تأثیر بیشتری دارند.

مثال کاربردی: پیشگویی خرید بلیت سینما

فرض کنید شما مسئول بازاریابی یک سایت فروش بلیت سینما هستید و می‌خواهید پیشگویی کنید که آیا مشتری، پس از دیدن تبلیغ یک فیلم جدید، بلیت آن را خریداری می‌کند یا خیر. اطلاعاتی که از مشتری‌ها در دست دارید شامل تعداد ورود به سایت، تعداد فیلم‌های دیده‌شده، استفاده دوستانشان از سایت و دنبال کردن نقدهای سینمایی است.

با استفاده از این داده‌ها و مدل رگرسیون لوژستیک، می‌توان احتمال خرید بلیت توسط مشتری را پیشگویی کرد. برای مثال، اگر مشتری مرتباً وارد سایت شود و دوستانش نیز از سایت استفاده کنند، احتمال خرید بلیت بیشتر خواهد بود.

لازم به ذکر است که در بسیاری از منابع کلمه  Logistic را "لجستیک" ترجمه کرده‌اند، اما طبق  واژه‌نامه پیشنهادی پژوهشکده آمار بهتر است از  "لوژستیک" استفاده شود.



#رگرسیون
#لوژستیک
#رده_بندی
#لجستیک
#پیشگویی

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

📌اینجا شروع آینده موفق تحصیلی و شغلی شماست ...

📝 سومین رویداد آموزشی کشوری به میزبانی انجمن های علمی دانشجویی برتر
💠 به صورت آنلاین و آفلاین 💠

🔹با تدریس جذاب استاد بلامنازع صنعت و دانشگاه، آقای کارگاه آنلاین کشور (دکتر سید مجتبی شفاعی)

http://www.shafaeism.ir
https://t.me/Iranian_Mr_Workshop

📆 زمان برگزاری: 6 مهر ماه الی 4 آبان ماه 1403 (44 ساعت)
50 درصد تخفیف برای ثبت نام دانشجویان
امکان حضور در هر کارگاه به صورت جداگانه
🟥  همراه با ارائه گواهی معتبر دوزبانه 🟥
🟥  همراه با ارائه فایل و ویدیو ضبط شده کارگاه 🟥

ثبت نام از طریق مسئول روابط عمومی رویداد (آقای واحدیان):
@University_Workshops_Admin

کانال اطلاع رسانی کارگاه های آموزشی دانشگاهی 
https://t.me/University_Workshops

انجمن علمی مهندسی پلیمر دانشگاه حکیم سبزواری
https://t.me/Polymer_HSU


🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

❗️آخرین مهلت ثبت نام ❗️


⚠️🚨ظرفیت باقی مانده: ۵ نفر 🚨⚠️


❌فقط تا پنجشنبه ۱۲ مهر  ۱۴۰۳ ساعت ۱۲ وقت دارید ثبت نام کنید‌❌.

🔗جهت ثبت نام به آیدی تلگرامی زیر مراجعه نمایید :
@M_solooki


🎯 با ما همراه شوید و گامی بزرگ به سوی آینده‌ای روشن‌تر بردارید!😉

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

Logestic regression: A self learning text
Third edition

نویسندگان
David G.klienbaum
Mitchel klien

توضیحات:
همونطور که از اسم کتاب پیدا هست یک کتاب کاملا تخصصی برای علاقه مندان به رگرسیون لوجستیک و علاقه مندان به مطالعه لوجستیک در علوم زیستی.
این کتاب در ۱۶ فصل به صورت تئوری و کاربردی صفر تا صد رگرسیون لوجستیک رو بررسی کرده و میتونه یه منبع خوب برای علاقه مندان باشه
اخر کتاب هم کدهای sas خروجی های spss و stata با تعدادی دیتاست رو گذاشته
میتونید تو پروژه دانشجویبتون اگر روی موضوع لوجستیک کار میکنید از این کتاب استفاده کنید

انتشار با ذکر منبع بلامانع است✅
https://t.me/anjoman_amar

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

آزمایشگاه مرکزی دانشگاه گلستان با همکاری انجمن علمی دانشجویی زیست شناسی دانشگاه گلستان برگزار می‌کند

مجموعه دوره‌های کسب مهارت و کار با دستگاه‌های آزمایشگاه مرکزی دانشگاه گلستان

اولین دوره
دوره جامع HSE (سلامت، ایمنی و محیط زیست)

🧑‍🏫 مدرس
دکتر محمد فاطمی
دکترای سیستماتیک گیاهی از دانشگاه نیوانگلند استرالیا
رئیس آزمایشگاه مرکزی دانشگاه گلستان
عضو هیئت علمی گروه زیست‌شناسی دانشگاه گلستان

⏳ زمان
شنبه و یکشنبه، 28 و 29 مهرماه 1403

📍مکان
پردیس جدید سرخنکلاته، دانشکده علوم، تالار شهید فخری‌زاده

⏰ مدت دوره
دوره دو جلسه‌ای 6 ساعته
از ساعت 9 تا 12

هزینه دوره 💵

برای دانشجویان دانشگاه گلستان رایگان
(صدور گواهی هم رایگان می‌باشد)
برای دانشجویان غیر گلستانی، مبلغ 200 هزارتومان (با صدور گواهی)

👨‍💻ارتباط و ثبت‌نام
شماره تماس 01738736238
تلگرام انجمن | اینستاگرام انجمن

🔸برای ثبت‌نام تماس حاصل بفرمایید یا به روابط عمومی انجمن دانشگاه گلستان به آیدی زیر پیام بدهید 👇🏻
@biogolestan

🧩انجمن های علمی مهندسی مکانیک و مهندسی انرژی  دانشگاه جیرفت برگزار می کنند:

💥دوره آموزشی نرم افزار کتیا

👨🏻‍💻مدرس: مهندس سید محمدحسین بهادر

✏️جزئیات بیشتر در پوستر بالا 👆🏻

🧩ثبت نام و کسب اطلاعات بیشتر:
09137967265
@dalfardi98


🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

دستور آزمون های میانگین در R

🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان

#روش_های_نمونه_گیری
#نمونه_گیری_تصادفی
#نمونه_گیری_غیر_تصادفی
#نمونه_گیری_احتمالی
#نمونه_گیری_غیر_احتمالی


🆔 @gu_stat | انجمن علمی آمار دانشگاه گلستان