📣🔔 دوره آموزش مقاله‌نویسی
📚 مدرس:👩🏻🏫 دکتر متینه زیاری
● عضو هیئت علمی دانشگاه تهران
🟥زمان برگزاری:
📆 ۲۹ و ۳۰ مهر ماه
⏰ ساعت ۱۶ تا ۲۱
✳️لینک ثبت نام دوره:
https://evnd.co/4q3Bl
✍️ دریافت اطلاعات بیشتر:
@Supp_article
✴️✴️کد تخفیف زودهنگام دانشجویی:
Student_1405
📚 مدرس:👩🏻🏫 دکتر متینه زیاری
● عضو هیئت علمی دانشگاه تهران
🟥زمان برگزاری:
📆 ۲۹ و ۳۰ مهر ماه
⏰ ساعت ۱۶ تا ۲۱
✳️لینک ثبت نام دوره:
https://evnd.co/4q3Bl
✍️ دریافت اطلاعات بیشتر:
@Supp_article
✴️✴️کد تخفیف زودهنگام دانشجویی:
Student_1405
📌 اصطلاحات متغیر مستقل و وابسته در آمار و روش تحقیق
در کتاب‌های آمار، روش تحقیق، رگرسیون و علم داده، ممکن است با نام‌های متفاوتی برای متغیر مستقل و وابسته روبه‌رو شویم.
🔹 ۱. متغیر مستقل (Independent Variable)
متغیر پیش‌بین (Predictor)
متغیر تبیین‌کننده (Explanatory Variable)
متغیر توضیحی (Explanatory Variable)
متغیر ورودی (Input Variable)
متغیر ویژگی (Feature)
متغیر رگرسور (Regressor)
متغیر عامل (Factor)
متغیر دست‌کاری‌شده (Manipulated Variable)
🔹 ۲. متغیر وابسته (Dependent Variable)
متغیر پاسخ (Response Variable)
متغیر پیامد (Outcome Variable)
متغیر ملاک (Criterion Variable)
متغیر پیش‌بینی‌شونده (Predicted Variable)
متغیر هدف (Target Variable)
متغیر خروجی (Output Variable)
متغیر برچسب (Label)
در کتاب‌های آمار، روش تحقیق، رگرسیون و علم داده، ممکن است با نام‌های متفاوتی برای متغیر مستقل و وابسته روبه‌رو شویم.
🔹 ۱. متغیر مستقل (Independent Variable)
متغیر پیش‌بین (Predictor)
متغیر تبیین‌کننده (Explanatory Variable)
متغیر توضیحی (Explanatory Variable)
متغیر ورودی (Input Variable)
متغیر ویژگی (Feature)
متغیر رگرسور (Regressor)
متغیر عامل (Factor)
متغیر دست‌کاری‌شده (Manipulated Variable)
🔹 ۲. متغیر وابسته (Dependent Variable)
متغیر پاسخ (Response Variable)
متغیر پیامد (Outcome Variable)
متغیر ملاک (Criterion Variable)
متغیر پیش‌بینی‌شونده (Predicted Variable)
متغیر هدف (Target Variable)
متغیر خروجی (Output Variable)
متغیر برچسب (Label)
📌 سه نکته مهم درباره متغیر مستقل و وابسته
۱. اصطلاحات مختلف همیشه مترادف دقیق یکدیگر نیستند.
فرض کنید می‌خواهیم تأثیر سه روش تدریس را بر نمره دانشجویان بررسی کنیم.
در این پژوهش، روش تدریس «متغیر مستقل» است؛ اما در طراحی آزمایش، به آن «عامل» (Factor) می‌گوییم و سه روش تدریس، سطوح آن عامل هستند.
در مقابل، نمره دانشجویان «متغیر وابسته» یا «متغیر پاسخ» (Response) است.
بنابراین، انتخاب اصطلاح مناسب به نوع پژوهش و روش تحلیل بستگی دارد.
۲. متغیر برون‌زا لزوماً مستقل و متغیر درون‌زا لزوماً وابسته نیست.
فرض کنید می‌خواهیم رابطه درآمد، تحصیلات و مصرف خانوار را بررسی کنیم.
در یک مدل اقتصادی، ممکن است تحصیلات را برون‌زا در نظر بگیریم؛ یعنی مقدار آن در داخل مدل تعیین نمی‌شود.
اما درآمد می‌تواند هم‌زمان متغیر وابسته در معادله تعیین درآمد و متغیر مستقل در معادله تعیین مصرف باشد. در چنین مدلی، درآمد متغیری درون‌زاست.
پس برون‌زا و درون‌زا بودن به نحوه تعیین متغیر در مدل بستگی دارد، نه صرفاً جایگاه آن در یک معادله.
۳. رابطه آماری لزوماً رابطه علت و معلولی نیست.
فرض کنید در یک پژوهش مشاهده‌ای متوجه می‌شویم دانشجویانی که ساعات بیشتری مطالعه می‌کنند، نمرات بالاتری دارند.
در این پژوهش:
• متغیر پیش‌بین: ساعات مطالعه
• متغیر پاسخ: نمره امتحان
اما آیا می‌توانیم نتیجه بگیریم که افزایش ساعات مطالعه به‌تنهایی علت افزایش نمره است؟
خیر! ممکن است عواملی مانند انگیزه، دانش قبلی یا کیفیت مطالعه بر هر دو متغیر تأثیر گذاشته باشند.
بنابراین، در چنین پژوهش‌هایی اصطلاحات «پیش‌بین» و «پاسخ» مناسب‌ترند؛ زیرا بدون شواهد کافی نباید از وجود رابطه آماری، رابطه علت و معلولی نتیجه گرفت.
جمع‌بندی: نام متغیر را نه صرفاً از روی جایگاه آن در فرمول، بلکه با توجه به نقش آن در مدل و نوع پژوهش انتخاب کنید.
#تفاوت_اصطلاحات_آماری
#درون‌زا_و_برون‌زا
#همبستگی_و_علیت
۱. اصطلاحات مختلف همیشه مترادف دقیق یکدیگر نیستند.
فرض کنید می‌خواهیم تأثیر سه روش تدریس را بر نمره دانشجویان بررسی کنیم.
در این پژوهش، روش تدریس «متغیر مستقل» است؛ اما در طراحی آزمایش، به آن «عامل» (Factor) می‌گوییم و سه روش تدریس، سطوح آن عامل هستند.
در مقابل، نمره دانشجویان «متغیر وابسته» یا «متغیر پاسخ» (Response) است.
بنابراین، انتخاب اصطلاح مناسب به نوع پژوهش و روش تحلیل بستگی دارد.
۲. متغیر برون‌زا لزوماً مستقل و متغیر درون‌زا لزوماً وابسته نیست.
فرض کنید می‌خواهیم رابطه درآمد، تحصیلات و مصرف خانوار را بررسی کنیم.
در یک مدل اقتصادی، ممکن است تحصیلات را برون‌زا در نظر بگیریم؛ یعنی مقدار آن در داخل مدل تعیین نمی‌شود.
اما درآمد می‌تواند هم‌زمان متغیر وابسته در معادله تعیین درآمد و متغیر مستقل در معادله تعیین مصرف باشد. در چنین مدلی، درآمد متغیری درون‌زاست.
پس برون‌زا و درون‌زا بودن به نحوه تعیین متغیر در مدل بستگی دارد، نه صرفاً جایگاه آن در یک معادله.
۳. رابطه آماری لزوماً رابطه علت و معلولی نیست.
فرض کنید در یک پژوهش مشاهده‌ای متوجه می‌شویم دانشجویانی که ساعات بیشتری مطالعه می‌کنند، نمرات بالاتری دارند.
در این پژوهش:
• متغیر پیش‌بین: ساعات مطالعه
• متغیر پاسخ: نمره امتحان
اما آیا می‌توانیم نتیجه بگیریم که افزایش ساعات مطالعه به‌تنهایی علت افزایش نمره است؟
خیر! ممکن است عواملی مانند انگیزه، دانش قبلی یا کیفیت مطالعه بر هر دو متغیر تأثیر گذاشته باشند.
بنابراین، در چنین پژوهش‌هایی اصطلاحات «پیش‌بین» و «پاسخ» مناسب‌ترند؛ زیرا بدون شواهد کافی نباید از وجود رابطه آماری، رابطه علت و معلولی نتیجه گرفت.
جمع‌بندی: نام متغیر را نه صرفاً از روی جایگاه آن در فرمول، بلکه با توجه به نقش آن در مدل و نوع پژوهش انتخاب کنید.
#تفاوت_اصطلاحات_آماری
#درون‌زا_و_برون‌زا
#همبستگی_و_علیت
آمادگی برای مصاحبه دکتری | آمار و روش تحقیق
از پایان بهمن‌ماه، بخش آمادگی برای مصاحبه دکتری به‌صورت پرسش و پاسخ در همین کانال آغاز می‌شود.
هدف چیست؟قرار است ضمن یادگیری و مرور مباحث کلیدی آمار و روش تحقیق، ارتباط میان مفاهیم را درک کنیم و بتوانیم آن‌ها را در مقاله و پایان‌نامه خودمان شناسایی و تحلیل کنیم.
هدف، حفظ‌کردن پاسخ چند سؤال پرتکرار نیست؛ می‌خواهیم به درکی عمیق و یکپارچه برسیم تا بتوانیم به طیف گسترده‌ای از پرسش‌های مصاحبه دکتری، با تسلط و استدلال پاسخ دهیم.
هیچ پیش‌نیازی لازم نیست!
این بخش برای همه داوطلبان طراحی شده است؛ حتی کسانی که در کنکور دکتری، درس مدیریت اسلامی را جایگزین آمار می‌کنند.
@researchkit
از پایان بهمن‌ماه، بخش آمادگی برای مصاحبه دکتری به‌صورت پرسش و پاسخ در همین کانال آغاز می‌شود.
هدف چیست؟قرار است ضمن یادگیری و مرور مباحث کلیدی آمار و روش تحقیق، ارتباط میان مفاهیم را درک کنیم و بتوانیم آن‌ها را در مقاله و پایان‌نامه خودمان شناسایی و تحلیل کنیم.
هدف، حفظ‌کردن پاسخ چند سؤال پرتکرار نیست؛ می‌خواهیم به درکی عمیق و یکپارچه برسیم تا بتوانیم به طیف گسترده‌ای از پرسش‌های مصاحبه دکتری، با تسلط و استدلال پاسخ دهیم.
هیچ پیش‌نیازی لازم نیست!
این بخش برای همه داوطلبان طراحی شده است؛ حتی کسانی که در کنکور دکتری، درس مدیریت اسلامی را جایگزین آمار می‌کنند.
@researchkit
Forwarded from Data structure & Alogrithm (Mohsen Tourani)
📌 اطلاعیه درباره درس آمار مهندسی
امسال برای درس آمار مهندسی با هیچ مؤسسه‌ای همکاری ندارم.
بنابراین ویدئوهایی که از سال‌های گذشته در برخی مؤسسات موجود است، مربوط به دوره‌های قبلی و عمدتاً ویژه‌ی رشته مهندسی صنایع بوده و برای دوره و برنامه‌ی امسال معتبر و قابل استناد نیست.
لطفاً برای برنامه‌ی امسال، به ویدئوها و دوره‌های سال‌های قبل استناد نکنید.
امسال برای درس آمار مهندسی با هیچ مؤسسه‌ای همکاری ندارم.
بنابراین ویدئوهایی که از سال‌های گذشته در برخی مؤسسات موجود است، مربوط به دوره‌های قبلی و عمدتاً ویژه‌ی رشته مهندسی صنایع بوده و برای دوره و برنامه‌ی امسال معتبر و قابل استناد نیست.
لطفاً برای برنامه‌ی امسال، به ویدئوها و دوره‌های سال‌های قبل استناد نکنید.
Forwarded from اتاق تحلیل داده‌های آماری
داوطلبان ارشد و دکتری برای مباحث آمار و احتمال ...
Anonymous Poll
23%
مهندسی
72%
علوم انسانی(مدیریت ، روانشناسی،حسابداری و ...)
11%
علم داده
Forwarded from اتاق مهارت «تفکر، سازگاری و یادگیری»
رتبه‌ها خوشحال‌کننده‌اند؛ اما ماندگار نیستند.
آنچه برای من ماندگار است، این جمله بود:
«گاهی شب‌ها من و پدر و مادرم بخش‌هایی از این کتاب را با هم می‌خوانیم.»
شاید آموزش، زمانی به ثمر می‌نشیند که از کلاس بیرون بیاید و وارد زندگی آدم‌ها شود. ممنونم از این پیام ارزشمند🙏🏼
بعضی پیامها، پایان نیستند،نشانهٔ کامل شدن یک مسیرند.
خانم ساره رحمانی رتبه ۹ کنکور دکتری مدیریت فناوری ۱۴۰۵ برنده جایزه مسابقه محاسبات قبل از کنکور دکتری شدند و جایزه شون همین کتاب بود.
آنچه برای من ماندگار است، این جمله بود:
«گاهی شب‌ها من و پدر و مادرم بخش‌هایی از این کتاب را با هم می‌خوانیم.»
شاید آموزش، زمانی به ثمر می‌نشیند که از کلاس بیرون بیاید و وارد زندگی آدم‌ها شود. ممنونم از این پیام ارزشمند🙏🏼
بعضی پیامها، پایان نیستند،نشانهٔ کامل شدن یک مسیرند.
خانم ساره رحمانی رتبه ۹ کنکور دکتری مدیریت فناوری ۱۴۰۵ برنده جایزه مسابقه محاسبات قبل از کنکور دکتری شدند و جایزه شون همین کتاب بود.
Forwarded from اتاق مهارت «تفکر، سازگاری و یادگیری»
اتاق مهارت «تفکر، سازگاری و یادگیری»
رتبه‌ها خوشحال‌کننده‌اند؛ اما ماندگار نیستند. آنچه برای من ماندگار است، این جمله بود: «گاهی شب‌ها من و پدر و مادرم بخش‌هایی از این کتاب را با هم می‌خوانیم.» شاید آموزش، زمانی به ثمر می‌نشیند که از کلاس بیرون بیاید و وارد زندگی آدم‌ها شود. ممنونم از این پیام…
🏆 مسابقه‌ی دو کتاب
خانم ساره رحمانی جایزه‌ی قبلی را بردند و در نهایت هم بعد از مصاحبه، رتبه‌ی ۱ در دکتری فناوری دانشگاه تهران شدند. 👏
حالا نوبت مسابقه‌ی بعدی است؛
این بار جایزه، دو جلد کتاب است. اما سؤال قرار نیست خیلی راحت باشد! 😏
سؤال مسابقه را به‌زودی همین‌جا می‌گذارم؛اولین دوتا پاسخ درست و کامل، برنده‌ی دو کتاب خواهد بود.
خانم ساره رحمانی جایزه‌ی قبلی را بردند و در نهایت هم بعد از مصاحبه، رتبه‌ی ۱ در دکتری فناوری دانشگاه تهران شدند. 👏
حالا نوبت مسابقه‌ی بعدی است؛
این بار جایزه، دو جلد کتاب است. اما سؤال قرار نیست خیلی راحت باشد! 😏
سؤال مسابقه را به‌زودی همین‌جا می‌گذارم؛اولین دوتا پاسخ درست و کامل، برنده‌ی دو کتاب خواهد بود.
Forwarded from اتاق تحلیل داده‌های آماری
از ترندها عقب نمانیم یا از یادگیری عمیق؟
در روزگاری که هوش مصنوعی و ایجنت‌ها هر روز توانمندتر می‌شوند، بسیاری نگران‌اند که مبادا تا پایان آموزش، آموخته‌هایشان قدیمی شده باشد!
اما خطر بزرگ‌تری وجود دارد:«توهم یادگیری!»
اینکه هر روز با ده‌ها ابزار آشنا شویم، اما در هیچ‌کدام به عمق نرسیم.
جالب اینکه در بازار کار با یک تناقض ظاهری روبه‌رو هستیم؛ از یک سو شرکت‌ها نیرو تعدیل می‌کنند و از سوی دیگر، برخی کارفرمایان از پیدا نکردن نیروی متخصص گلایه دارند!
شاید بخشی از مسئله همین باشد: وسعت اطلاعات زیاد شده، اما الزاماً عمق دانش نه!
البته این تنها یکی از توضیحات احتمالی است.
هوش مصنوعی می‌تواند مسئله‌ای را در چند ثانیه حل کند؛ اما کسی که مبانی را نمی‌داند، چگونه می‌تواند خطای آن را تشخیص دهد؟
یادگیری مبانی و تسلط بر فناوری‌های جدید، مکمل یکدیگرند؛ نه رقیب هم.
قرار نیست دنبال هر موجی بدویم؛ باید شنا کردن را یاد بگیریم!
از ترندها عقب ماندن همیشه خطرناک نیست؛ از اندیشیدن عقب ماندن خطرناک است.
#تفکر_نقادانه #یادگیری_عمیق #هوش_مصنوعی
در روزگاری که هوش مصنوعی و ایجنت‌ها هر روز توانمندتر می‌شوند، بسیاری نگران‌اند که مبادا تا پایان آموزش، آموخته‌هایشان قدیمی شده باشد!
اما خطر بزرگ‌تری وجود دارد:«توهم یادگیری!»
اینکه هر روز با ده‌ها ابزار آشنا شویم، اما در هیچ‌کدام به عمق نرسیم.
جالب اینکه در بازار کار با یک تناقض ظاهری روبه‌رو هستیم؛ از یک سو شرکت‌ها نیرو تعدیل می‌کنند و از سوی دیگر، برخی کارفرمایان از پیدا نکردن نیروی متخصص گلایه دارند!
شاید بخشی از مسئله همین باشد: وسعت اطلاعات زیاد شده، اما الزاماً عمق دانش نه!
البته این تنها یکی از توضیحات احتمالی است.
هوش مصنوعی می‌تواند مسئله‌ای را در چند ثانیه حل کند؛ اما کسی که مبانی را نمی‌داند، چگونه می‌تواند خطای آن را تشخیص دهد؟
یادگیری مبانی و تسلط بر فناوری‌های جدید، مکمل یکدیگرند؛ نه رقیب هم.
قرار نیست دنبال هر موجی بدویم؛ باید شنا کردن را یاد بگیریم!
از ترندها عقب ماندن همیشه خطرناک نیست؛ از اندیشیدن عقب ماندن خطرناک است.
#تفکر_نقادانه #یادگیری_عمیق #هوش_مصنوعی
کتاب آمار و احتمالات ارشد زیرذره بین
مدیریت -حسابداری
(ویرایش جدید کتاب با بازنگری و تغییرات اساسی)
https://B2n.ir/uy1455
مدیریت -حسابداری
(ویرایش جدید کتاب با بازنگری و تغییرات اساسی)
https://B2n.ir/uy1455