درباره دوره: نگاه کلی این دوره، آموزش تمامی مفاهیم وابسته به آمار و احتمال است که در دنیای ماشین لرنینگ و علوم داده کاربرد خواهند داشت. در این دوره آموزشی با موضوعاتی مانند مبانی مجموعه و ترکیبات آشنا خواهید شد. پس از آن کار با احتمال کلاسیک، احتمال شرطی و قوانین احتمال شرطی آشنا خواهید شد. در ادامه دوره به داده‌­ها و آمارها پرداخته می‌­شود و پس از آن به بررسی انواع متغیرهای تصادفی و توزیع‌­های احتمالی پرداخته می‌­شود. با پیشرفت مباحث دوره به بررسی توزیع­‌های توام و نرمال­‌سازی داده­‌های پرت پرداخته می­‌شود. سایر مباحثی که در این دوره مورد بررسی قرار می­‌گیرد شامل موارد زیر است: اصلی­‌ترین هدف مورد نظر در این دوره ایجاد تسلط بالا بر مباحث مربوط به آمار و احتمال بوده است. در این دوره مباحث آموزشی به صورت مفاهیم نظری توضیح داده شده است و در کنار مباحث نظری این آموزش‌­ها با مثال­‌های عملی نیز مورد آموزش قرار می­‌گیرند. در دوره آموزش آمار و احتمال در پایتون سعی شده است تا همه مباحث به صورت کامل و جامع مورد بررسی قرار بگیرند. به این ترتیب می­‌توان این‌گونه بیان کرد که مباحث این دوره در زمینه‌­های گوناگونی کاربردی خواهد بود. به این ترتیب مخاطبان این دوره را می‌­توانیم در دسته­‌های گوناگونی تقسیم­‌بندی کنیم: با توجه به مباحث این دوره مخاطبان در پایان دوره دستاوردهای گوناگونی از جمله موارد زیر خواهند داشت: در این دوره تمامی مباحث مربوط به آمار و احتمال به کامل­‌ترین شکل ممکن مورد بحث و بررسی قرار گرفته است و در کنار این موضوع به پیاده­‌سازی همه مفاهیم پایتون نیز پرداخته شده است. به این ترتیب می‌­توان گفت این دوره کامل‌­ترین و کاربردی­‌ترین دوره آموزش آمار و احتمال در پایتون است. مباحث این دوره در قالب 15 فصل تهیه و ارائه شده است. این 15 فصل به صورت زیر تقسیم‌­بندی شده است: آموزش آمار و احتمال در پایتون دو زمینه بسیار مهم در علوم کامپیوتر و بسیاری از حوزه‌های دیگر از جمله علوم داده، هوش مصنوعی، مهندسی، اقتصاد و حتی علوم زیستی هستند.  اگر قصد انتخاب یک دوره آموزش آمار و احتمال در پایتون را دارید، لازم است که به رویه شکل‌گیری و سرفصل‌های آن دقت کنید. در ادامه قصد داریم به بررسی آموزش آمار و احتمال در پایتون بپردازیم. در ابتدا، دوره باید با معرفی زبان برنامه‌نویسی پایتون و کتابخانه‌های مورداستفاده برای آمار و احتمال مانند NumPy، SciPy و Pandas آغاز شود. سپس به معرفی مفاهیم اساسی آماری مانند میانگین، واریانس، و توزیع‌های احتمالی پرداخته شود. در ادامه، مباحثی مانند آزمون‌های فرض، رگرسیون، و تحلیل واریانس به طور دقیق بررسی شوند. در مرحله بعدی، دوره آموزش آمار و احتمال در پایتون باید به معرفی مفاهیم پیشرفته‌تری مانند توزیع‌های احتمالی چندبعدی، شبکه‌های بیزین، و مدل‌های پیشرفته یادگیری ماشینی پرداخته و به شرکت‌کنندگان امکان پژوهش و تحلیل داده‌های پیچیده را بدهد. در انتها، دوره باید با مطالبی درباره روش‌های ارائه و بررسی نتایج آماری و نکات اخلاقی در استفاده از داده‌ها و آمار ختم شود. یک دوره آموزش آمار و احتمال در پایتون باید به شیوه‌ای جامع و سازمان‌یافته ارائه شود تا افراد بتوانند مفاهیم پایه‌ای و پیشرفته‌تر این دو حوزه را درک کرده و از آنها در تحلیل داده‌ها و انجام پژوهش‌های علمی بهره‌مند شوند. این دوره باید با مباحث اساسی شروع شده و به‌تدریج به مباحث پیشرفته پرداخته تا شرکت‌کنندگان بتوانند توانایی‌های لازم برای انجام کارهای پیچیده را در این زمینه به دست آورند. در پایتون، کتابخانه‌هایی مانند NumPy، SciPy و Pandas برای کار با داده‌های آماری و احتمالی بسیار قدرتمند هستند. از آمار و احتمال می‌توان برای تحلیل داده‌ها، پیش‌بینی و تصمیم‌گیری‌های هوشمندانه استفاده کرد. در زمینه آمار، می‌توان به مفاهیمی مانند میانگین، واریانس، انحراف معیار و توزیع‌های احتمالی اشاره کرد. این مفاهیم به ما اجازه می‌دهند تا از داده‌ها بیشترین اطلاعات ممکن را استخراج کرده و الگوهای موجود در آنها را تشخیص دهیم. در بخش احتمال، مفاهیمی مانند احتمال یک رویداد، توزیع‌های احتمالی مختلف مانند توزیع نرمال و توزیع دوجمله‌ای، و همچنین مفاهیم احتمال شرطی و احتمال معکوس بسیار مهم هستند. با استفاده از این مفاهیم، می‌توانیم به‌دقت بیشتری نتایج پیش‌بینی کنیم و تصمیم‌های بهتری بگیریم. به‌طورکلی، آمار و احتمال در پایتون و سایر زبان‌های برنامه‌نویسی برای تجزیه‌وتحلیل داده‌ها، انجام پژوهش‌های علمی، اتخاذ تصمیم‌های هوشمندانه و حل مسائل واقعی بسیار حیاتی هستند. در آموزش آمار و احتمال در پایتون، مباحث متنوعی موردتوجه قرار می‌گیرند تا شرکت‌کنندگان بتوانند توانایی‌های لازم برای تحلیل داده‌ها و انجام پژوهش‌های علمی را کسب کنند. مهم‌ترین مباحثی که در آموزش آمار و احتمالات به زبان ساده در maktabkhooneh مدنظر قرار می‌گیرند عبارت‌اند از: 1. مفاهیم اساسی آماری: شامل میانگین، میانه، واریانس، انحراف معیار، توزیع‌های احتمالی پرکاربرد مانند توزیع نرمال و توزیع دوجمله‌ای و نحوه محاسبه آنها در پایتون و روش‌های آماری با پایتون 2. آزمون‌های فرض: شامل آزمون t، آزمون فیشر، آزمون کای دومیونوف-اسمیرنوف و سایر آزمون‌های فرضی که برای تفسیر داده‌ها و ارزیابی فرضیات مورداستفاده قرار می‌گیرند. 3. رگرسیون: شامل رگرسیون خطی و غیرخطی و نحوه پیاده‌سازی آنها در پایتون به کمک کتابخانه‌های مانند Statsmodels و Scikit-learn. 4. تحلیل واریانس (ANOVA): شامل تحلیل واریانس تک‌متغیره و چندمتغیره و نحوه اجرای آن در محیط پایتون. 5. مدل‌های پیشرفته یادگیری ماشینی: از جمله روش‌های مانند ماشین بردار پشتیبان (SVM)، شبکه‌های عصبی، درخت تصمیم و روش‌های تقویتی. 6. توزیع‌های احتمالی پیشرفته: از جمله توزیع چندمتغیره، توزیع تشریحی، و توزیع بتا. 7. مباحث مربوط به پژوهش و اخلاق در علم داده: شامل انتخاب نمونه، تعیین اندازه نمونه، ارزیابی داده‌ها و گزارش نتایج. آموزش آمار و احتمال در پایتون پیشرفته برای افرادی مفید است که در زمینه‌هایی مانند علوم داده، هوش مصنوعی، مهندسی، علوم زیستی، اقتصاد، اجتماعی و حتی در حوزه‌های مرتبط با مهندسی نرم‌افزار فعالیت می‌کنند. این افراد ممکن است به دنبال روش‌ها و ابزارهای پیشرفته برای تحلیل داده‌های پیچیده، انجام پژوهش‌های پیشرفته، ایجاد مدل‌های پیش‌بینی دقیق‌تر، و یا بهبود روش‌های تصمیم‌گیری با استفاده از داده‌های بزرگ هستند. علاوه بر این، متخصصانی که می‌خواهند الگوریتم‌های پیچیده‌تری را در حوزه هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و شبکه‌های عصبی پیاده‌سازی کنند، نیاز به مفاهیم و ابزارهای آماری و احتمالی پیشرفته دارند. همچنین، دانشجویان و پژوهشگرانی که در زمینه پژوهش‌های علمی فعالیت می‌کنند و نیاز به تحلیل داده‌های پیچیده دارند، از این آموزش‌ها بهره‌مند می‌شوند. ضمن این موارد، هر کسی که می‌خواهد در تحلیل و تفسیر داده‌ها به سطح پیشرفته برسد و از ابزارهای رایج و قدرتمند برای این منظور استفاده کند، نیاز به آموزش آمار و احتمال در پایتون پیشرفته دارد. دوره آموزش پایتون و آموزش احتمال در کنار آن، بهترین گزینه برای یادگیری مفاهیم پایه در حوزه‌های ماشین، زبان برنامه‌نویسی پایتون برای هوش مصنوعی و… خواهد بود. در زمینه‌های گسترده، می‌توان به‌راحتی از قابلیت‌های این زبان بی‌نظیر بهره گرفت: آمار و احتمال در پایتون برای تحلیل داده‌ها به طرق مختلف مورداستفاده قرار می‌گیرد. یکی از اصلی‌ترین کاربردهای آن در جمع‌آوری، تمیزکردن و کاوش در داده‌ها است. این ابزارها به شما امکان می‌دهند تا داده‌های خام را به‌صورت سازمان‌یافته و قابل‌تحلیل تبدیل کنید و از طریق آن‌ها الگوهای موجود در داده‌ها را شناسایی کنید. علاوه بر این، با استفاده از آمار و احتمال در پایتون می‌توانید آمارهای توصیفی مانند میانگین، میانه، و انحراف معیار را برای داده‌های خود محاسبه کنید. این آمارها به شما اطلاعات مفیدی از توزیع داده‌ها و مرکز و پراکندگی آنها ارائه می‌دهند. همچنین، آمار و احتمال در پایتون برای تجزیه‌وتحلیل داده‌های اکتشافی نیز بسیار مفید است. با استفاده از نمودارها، هیستوگرام‌ها و دیگر ابزارهای تصویری، می‌توانید الگوها و روابط موجود در داده‌های خود را به طور واضح‌تر مشاهده کنید و برای ارائه و توجیه داده‌ها به دیگران از آنها استفاده کنید. آمار و احتمال در پایتون برای مدل‌سازی آماری نیز به طور گسترده مورداستفاده قرار می‌گیرد. یکی از اصلی‌ترین کاربردهای آن، برازش مدل‌های خطی و غیرخطی به داده‌هاست. این کاربرد برای تخمین و پیش‌بینی روابط بین متغیرها و تأثیر آنها بر یکدیگر استفاده می‌شود. با استفاده از روش‌هایی مانند رگرسیون خطی، رگرسیون لجستیک، و مدل‌های غیرخطی مانند درخت تصمیم و شبکه‌های عصبی، می‌توانید رابطه بین متغیرها را مدل کنید و به تحلیل و پیش‌بینی داده‌های جدید بپردازید. پس از برازش مدل به داده‌ها، یکی از مراحل مهم دیگر ارزیابی دقت مدل است. در این مرحله، از معیارهایی مانند میزان خطا، دقت، حساسیت و ویژگی‌های دیگر استفاده می‌شود تا عملکرد مدل‌ها ارزیابی شود. این مرحله بسیار مهم است؛ زیرا اطمینان از قابلیت پیش‌بینی و دقت مدل‌های آماری را به ما می‌دهد. آمار و احتمال در پایتون برای یادگیری ماشین نیز از اهمیت بسیاری برخوردار است. در این حوزه، از مفاهیم آماری و احتمالی برای ساخت مدل‌های یادگیری ماشین برای مسائل مختلفی مانند طبقه‌بندی، رگرسیون و خوشه‌بندی استفاده می‌شود. از جمله الگوریتم‌های محبوب برای طبقه‌بندی می‌توان به ماشین‌های بردار پشتیبان (SVM)، درخت تصمیم و شبکه‌های عصبی اشاره کرد. پس از ساخت مدل‌ها، مرحله بعدی تنظیم مدل‌ها و ارزیابی عملکرد آنهاست. در این مرحله، از تکنیک‌هایی مانند تقسیم داده‌ها به دو مجموعه آموزش و آزمون، تنظیم پارامترهای مدل (مانند انتخاب مقدار مناسب برای پارامترها یا استفاده از روش‌های خاصی مانند جستجوی خطا)، و ارزیابی با استفاده از معیارهایی مانند دقت، حساسیت، و امتیاز F1 استفاده می‌شود. این ارزیابی‌ها به ما اطلاعاتی ارائه می‌دهند که می‌توان از آنها برای بهبود عملکرد مدل‌ها استفاده کرد و اطمینان حاصل کرد که مدل‌های ساخته شده قادر به پیش‌بینی و تفسیر داده‌های جدید هستند. آمار و احتمال در پایتون برای شبیه‌سازی‌ها نیز به‌عنوان یک ابزار قدرتمند مورداستفاده قرار می‌گیرد. با استفاده از این ابزارها، می‌توان پدیده‌های پیچیده را با استفاده از مدل‌های ساده‌تر تقلید کرده و عملکرد آنها را بررسی کرد. این شبیه‌سازی‌ها می‌توانند از جمله مدل‌های تصادفی، شبکه‌های عصبی، و یا مدل‌های ریاضی ساده‌تر مانند مدل‌های احتمالی باشند. بعد از انجام شبیه‌سازی‌ها، مرحله بعدی تجزیه‌وتحلیل نتایج است. در این مرحله، داده‌های حاصل از شبیه‌سازی‌ها را به‌دقت مورد بررسی قرار داده و الگوها، تغییرات و ویژگی‌های مهم آنها را تحلیل می‌کنیم. از ابزارهای آماری و داده‌کاوی مختلفی مانند محاسبه میانگین، واریانس، تحلیل ترکیبی، نمودارها و هیستوگرام‌ها برای تجزیه‌وتحلیل دقیق داده‌های حاصل از شبیه‌سازی‌ها استفاده می‌شود. یکی از دوره‌های برتر آموزش آمار و احتمال در پایتون «آمار و احتمال در پایتون از مبتدی تا پیشرفته در مکتب خونه» است. دوره آموزش جامع پایتون با همکاری متخصصان آمار و برنامه‌نویسان پایتون تدوین شده و به شرکت‌کنندگان امکان می‌دهد تا مباحث پایه‌ای و پیشرفته آمار و احتمال را به همراه کاربردهای عملی در پایتون فرابگیرند. دوره با معرفی زبان پایتون و کتابخانه‌های مورداستفاده برای آمار و احتمال مانند NumPy، SciPy و Pandas آغاز شده و سپس به مباحث اساسی آماری مانند میانگین، واریانس، توزیع‌های احتمالی و آزمون‌های فرض پرداخته می‌شود. در ادامه، مفاهیم پیشرفته‌تری مانند رگرسیون، تحلیل واریانس، مدل‌های پیشرفته یادگیری ماشینی و توزیع‌های احتمالی پیچیده‌تر مورد بررسی قرار می‌گیرند. این دوره با تمرین‌ها و پروژه‌های عملی همراه است که به شرکت‌کنندگان اجازه می‌دهد مفاهیم یاد گرفته شده را در محیط واقعی به کار ببندند و تجربة عملی کسب کنند. ورای آن، در انتهای دوره، به مسائل اخلاقی و روش‌های ارائه نتایج آماری نیز پرداخته می‌شود تا شرکت‌کنندگان آمادگی لازم برای استفاده از داده‌ها به شکل مسئولانه و اخلاقی را به دست آورند. این دوره مناسب برای دانشجویان، محققان، و تمامی افرادی است که به دنبال یادگیری آمار و احتمال با استفاده از زبان پایتون هستند. از روش‌های آماری پایتون گرفته تا آموزش یادگیری ماشین با پایتون، مفاهیم و کلیات زیادی وجود دارد که انتظار می‌رود در یک دوره کامل و حرفه‌ای، حضور داشته باشد. در آموزشی که در مکتب خونه دنبال می‌کنید، علاوه بر مفاهیم اصلی، موارد مذکور نیز مرور می‌گردد: 1. مقدمات آمار: ·         مفاهیم پایه آمار ·         انواع داده‌ها ·         مقیاس‌های اندازه‌گیری ·         نمایش داده‌ها 2. مقدمات احتمال: ·         فضای نمونه و رویداد ·         احتمال ·         قوانین اساسی احتمال ·         استقلال رویدادها 3. متغیرهای تصادفی: ·         تعریف و انواع متغیرهای تصادفی ·         توزیع‌های احتمال ·         توزیع‌های دوتایی و چندمتغیره 4. امید ریاضی و واریانس: ·         امید ریاضی ·         ویژگی‌های امید ریاضی ·         واریانس ·         هم‌واریانس و کواریانس 5. قضیه حد مرکزی: ·         بیان قضیه حد مرکزی ·         کاربردهای قضیه حد مرکزی 6. نمونه‌گیری و برآورد: ·         مفاهیم پایه نمونه‌گیری ·         توزیع نمونه ·         برآورد پارامترها ·         آزمون فرض 7. کتابخانه‌های آمار و احتمال در پایتون: ·         معرفی کتابخانه‌های NumPy، Pandas و SciPy ·         کار با داده‌ها در NumPy ·         تحلیل داده‌ها در Pandas ·         توابع آماری در SciPy 8. کاربردهای آمار و احتمال در پایتون: ·         شبیه‌سازی‌های تصادفی ·         مدل‌سازی آماری ·         تجزیه‌وتحلیل داده‌ها ·         یادگیری ماشین بسته به شرایط و نیاز فنی، افراد می‌توانند به‌صورت آزادانه در دوره آموزش آمار و احتمال پایتون شرکت کنند. اما به طبع، پیش‌نیاز یادگیری در یک سری مفاهیم برای دسته‌بندی خاصی از گروه‌های آموزشی خواهد بود: 1. علاقه‌مندان به علم داده: ·         افرادی که به دنبال یادگیری اصول و مبانی علم داده هستند. ·         دانشجویانی که در رشته‌های مرتبط با علم داده؛ مانند آمار، ریاضی، علوم کامپیوتر و مهندسی تحصیل می‌کنند. ·         افراد شاغل در حوزه‌های مختلف که می‌خواهند مهارت‌های خود را در زمینه تحلیل داده‌ها ارتقا دهند. 2. برنامه‌نویسان پایتون: ·         برنامه‌نویسانی که به زبان پایتون تسلط دارند و می‌خواهند از آن برای انجام محاسبات آماری و احتمالی استفاده کنند. ·         توسعه‌دهندگانی که در زمینه یادگیری ماشین و هوش مصنوعی فعالیت می‌کنند و نیاز به درک مفاهیم آماری و احتمالی دارند. ·         افرادی که به دنبال یادگیری یک زبان برنامه‌نویسی جدید برای کاربردهای آماری هستند. 3. محققان: ·         محققانی که در زمینه‌های مختلف علمی مانند علوم اجتماعی، پزشکی، مهندسی و… فعالیت می‌کنند و نیاز به تجزیه‌وتحلیل داده‌ها دارند. ·         دانشجویانی که در حال انجام تحقیقات تحصیلات تکمیلی هستند و نیاز به استفاده از ابزارهای آماری برای تحلیل داده‌های خود دارند. ·         متخصصانی که در زمینه‌های مختلف مانند بازاریابی، مالی و… فعالیت می‌کنند و نیاز به تحلیل داده‌ها برای تصمیم‌گیری دارند. 4. سایر علاقه‌مندان: ·         هر فردی که به مفاهیم آمار و احتمال و کاربردهای آنها در دنیای واقعی علاقه‌مند است. ·         افرادی که به دنبال یادگیری مهارت‌های جدید برای ارتقای شغلی خود هستند. درصورتی‌که نیاز به یادگیری و طی دوره آموزش آمار و احتمال مهندسی در پایتون دارید دوره مکتب خونه به سبب بهره‌گیری از تمام پتانسیل‌های علمی، تجربی و آموزشی، می‌تواند بهترین راهنمای شما برای ورود به این جریان مهم باشد. آمار و احتمال برای یادگیری ماشین و مفاهیم مرتبط با به هوش مصنوعی و تحلیل داده، یک جزو مهم و ضروری است. به طبع انتخاب بهترین و کامل‌ترین آموزش آن نیز اصلی مهم برای ورود به این فضا خواهد بود. با شرکت در این دوره‌ها و یا مرور مفاهیم و سرفصل‌های آموزش پایتون و موارد مرتبط با آن، می‌توانید رویه یادگیری را به شکلی بهتر و بهینه‌تر، بدون صرف وقت هموار سازید. همچنین در مکتب خونه انواع دوره آموزش برنامه نویسی، آموزش پایتون و آموزش آمار و احتمال به عنوان مکمل و پیش نیاز این دوره موجود است. نظریه مجموعه: 1 – مقدمه‌ای بر فصل نظریه مجموعه‌ها 2 – مجموعه در پایتون 3 – عملگرهای مجموعه 4 – عملگرهای مجموعه در پایتون 5 – عملگرهای منطقی مجموعه 6 – عملگرهای مطنقی مجموعه در پایتون 7 – مجموعه متناهی و نامتناهی، شمارا و ناشمارا 8 – مثال‌هایی از مجموعه در پایتون 9 – نمودار ون 10 – کوییز نظریه مجموعه 11 – رسم نمودار 12 – میزان تفاهم 13 – فایل‌های داده‌های دوره ترکیبیات و شمارش: 1 – مقدمه‌ای برفصل 2 – اصل جمع 3 – اصل ضرب 4 – اصل متمم 5 – حل مثال متمم در پایتون 6 – جایگشت 7 – حل مثال جایگشت در پایتون 8 – مسئله صف مرکب 9 – مسئله تیم‌های مرکب 10 – جایگشت با تکرار 11 – جایگشت با تکرار در پایتون 12 – جایگشت دوری 13 – ترکیب 14 – مسئله دختر و پسر 15 – مسئله دختر و پسر در پایتون 16 – سنگ, کاغذ, قیچی 17 – اصل شمول و عدم شمول 18 – کوییز ترکیبیات و شمارش 19 – حروف یاسوج احتمال مقدماتی: 1 – مقدمه‌ای برفصل احتمال مقدماتی 2 – آزمایش تصادفی 3 – اصول احتمال کولموگروف 4 – اثبات چند اصل کولموگروف 5 – احتمال کلاسیک 6 – مسئله میانگین دختر و پسر 7 – وقایع مستقل و وابسته 8 – مسئله برنده بازی مرکب 9 – تفاوت دو دیدگاه احتمالی 10 – کوییز احتمال مقدماتی 11 – پیدا کردن وقایع 12 – آزمایشگاه احتمال شرطی: 1 – مقدمه‌ای بر احتمال شرطی 2 – تعریف احتمال شرطی 3 – اصول احتمال شرطی 4 – مسئله مجموع دو تاس 7 می‌شود 5 – قانون زنجیره‌ 6 – مسئله لامپ‌های سوخته 7 – مسئله سر وقت بودن محمدرضا در پایتون 8 – استقلال دو رخداد 9 – مسئله آیا من 20 سال زنده می‌مانم؟ 10 – قانون احتمال کل 11 – مسئله کیسه و تیله‌ها 12 – قانوین بیز 13 – مسئله دزدی و دزد و گناه 14 – کوییز احتمال شرطی 15 – مشکل ژنتیکی 16 – دزد پایتون مقدمه‌ای بر داده و آمار: 1 – مقدمه‌ای بر داده و آمار 2 – انواع داده 3 – جامعه و نمونه 4 – معیارهای آماری 5 – میانگین داده‌ها 6 – میانه و نما داده‌ها 7 – دامنه و چارم و دامنه بین چارکی 8 – انحراف معیار و واریانس 9 – معیارهای انواع داده‌ها و داده‌های گمشده 10 – بررسی معیار 11 – پایتون آماردان متغیر تصادفی و توزیع احتمالی: 1 – مقدمه‌ای بر متغیر تصادفی و توزیع احتمالی 2 – تعریف متغیر تصادفی 3 – تابع جرم و چگالی احتمال 4 – مسئله تا زمانی که سکه شیر بیاد! 5 – امید ریاضی 6 – خواص امید ریاضی 7 – مسئله امید واریانس! 8 – متغیر تصادفی برنولی 9 – متغیر تصادفی دوجمله‌ای 10 – مسئله چقدر جایزه می‌خواهیم؟ 11 – متغیر تصادفی پوآسون 12 – مسئله چقدر غلط املایی! 13 – خواص متغیر تصادفی پیوسته 14 – تابع توزیع تجمعی 15 – متغیر تصادفی یکنواخت 16 – توزیع نرمال (گوسی) 17 – تابع تجمعی توزیع نرمال 18 – قانون 68 – 95 – 99.7 19 – کار با توزیع دلخواه 20 – کوییز متغیر تصادفی و توزیع احتمالی 21 – توزیع جدید! 22 – پای‌گوسی انواع نمودارها: 1 – مقدمه‌ای بر انواع نمودارها 2 – نمودار میله‌ای 3 – نمودار هیستوگرام 4 – نمودار میله‌ای پشته‌ای 5 – نمودار دایره‌ای و دونات 6 – نمودار نقطه‌ای 7 – نمودار خطی 8 – نمودار حرارتی 9 – نمودار جعبه‌ای و چند جعبه‌ای 10 – نمودار توأم 11 – نمودار ازدحام 12 – پای‌گراف توزیع توأم: 1 – مقدمه‌ای بر توزیع توأم 2 – توابع احتمال توزیع توأم 3 – مسئله توپ در توپ 4 – توزیع مسئله توپ در توپ 5 – تابع توزیع توأم پیوسته 6 – توزیع حاشیه‌ای 7 – تابع قشنگ 8 – پایتون توام داده پرت و نرمال‌سازی: 1 – مقدمه‌ای بر داده‌های پرت و نرمال‌سازی 2 – تشخیص داده پرت با نمودار جعبه‌ای 3 – تشخیص داده پرت و خیلی پرت با توزیع نرمال 4 – نرمال‌سازی و دلیل استفاده از آن 5 – نرمال‌سازی کمینه بیشینه و استانداردسازی 6 – انتقال لگاریتمی 7 – برش دادن داده 8 – چولگی 9 – کشیدگی 10 – آنومالی 11 – کوییز داده پرت و نرمال‌سازی 12 – تابع پرت 13 – تابع نرمال کوواریانس و همبستگی: 1 – مقدمه‌ای بر کوواریانس و همبستگی 2 – کوواریانس 3 – خصوصیات کوواریانس 4 – مسئله کوواریانس تو در تو 5 – کوواریانس در پایتون 6 – همبستگی 7 – همبستگی پیرسون 8 – همبستگی اسپیرمن و کندال 9 – وابستگی 10 – پیاده‌سازی همبستگی تحلیل رگرسیون: 1 – مقدمه‌ای برتحلیل رگرسیون 2 – رگرسیون و مفاهیم آن 3 – مدیریت داده پرت و گمشده برای رگرسیون 4 – تست نرمالیتی برای رگرسیون 5 – تشخیص هم‌خطی برای رگرسیون 6 – فیت کردن و ارزیابی رگرسیون 7 – رگرسیون جوانا تخمین در آمار: 1 – مقدمه‌ای بر تخمین در آمار 2 – قضیه حد مرکزی 3 – نابرابری مارکوف 4 – نابرابری چبیشف 5 – تفاوت آمار با احتمال 6 – تخمین نقطه‌ای و بازه‌ای 7 – بازه اطمینان 8 – تخمین درست‌نمایی بیشینه 9 – تخمین درست‌نمایی بیشینه در پایتون 10 – کوییز تخمین در آمار 11 – اثبات حد مرکزی 12 – در جستجوی لامبدا تست‌های آماری: 1 – مقدمه‌ای بر تست‌های آماری 2 – تست‌های رگرسیون 3 – تست‌های مقایسه‌ای 4 – فرض صفر و یک 5 – مفهوم p-value 6 – درجه آزادی 7 – خطای استاندارد 8 – تست ناپارامتری و پارامتری 9 – تست‌های نرمالیتی 10 – تست‌های همبستگی 11 – تست تی و تست آنووا 12 – تست‌های توزیع 13 – کوییز تست‌های آماری 14 – پروژه تستی پروژه دوره آمار و احتمال در پایتون: 1 – تاثیر کرونا بر هتل‌های کشور پرتغال قدم بعدی: 1 – مقدمه 2 – نقشه راه تحلیل داده 3 – نقشه راه یادگیری ماشین 4 – تفاوت نظریه الگوریتم و هوش مصنوعی