🎲 هوش مصنوعی فقط نباید پیش‌بینی کند؛ باید بداند چقدر می‌تواند به… — Data elites

Data elites@dataelites · 1.3K subscribers Open in TelegramOpen

🎲 هوش مصنوعی فقط نباید پیش‌بینی کند؛ باید بداند چقدر می‌تواند به پیش‌بینی خودش اعتماد کند!
موضوع این هفته‌ی یکشنبه‌های Data Elites یکی از مهم‌ترین پایه‌های آمار، علم داده و AI است:
احتمال؛ زبان مدل‌ها برای فهم عدم‌قطعیت
چهار منبع رایگان انتخاب کردیم؛ دو مسیر نظری برای یادگیری عمیق مفاهیم و دو مسیر کاربردی برای دیدن احتمال در حل مسئله و Machine Learning🚀

🎯 مسیر نظری فارسی
آمار و احتمال مهندسی — دکتر محمدمهدی نایبی، دانشگاه صنعتی شریف ( دانشگاه صنعتی آریا مهر )
دوره‌ای کامل از اصول احتمال، بیز و متغیرهای تصادفی تا توزیع‌های مشترک، امید شرطی، انواع همگرایی، قانون اعداد بزرگ و قضیه حد مرکزی.
🔗 لینک

📊 مسیر جدید و مسئله‌محور فارسی
آمار و احتمال مهندسی — دکتر فرید آشتیانی مفرد طهرانی، دانشگاه صنعتی شریف ( دانشگاه صنعتی آریا مهر )
دوره‌ای مربوط به بهار ۱۴۰۵ با رویکرد مهندسی و حل مسئله؛ مناسب دانشجویان کامپیوتر، برق، Data Science و AI، این مجموعه دست‌کم تا جلسه ۲۵ به‌صورت رایگان منتشر شده است
🔗 لینک
🇬🇧 مسیر نظری انگلیسی — 2026
STATS 100A: Introduction to Probability — UCLA
یک دوره کامل از فضای احتمال، شمارش و بیز تا توزیع‌های مشترک، امید شرطی، Monte Carlo، قانون اعداد بزرگ و قضیه حد مرکزی؛ همراه با تمرین و شبیه‌سازی‌های Python
🔗 دوره و منابع
🔗 ویدئوهای Summer 2026

مسیر کاربردی و پیشرفته انگلیسی — 2026
CMPT 727: Statistical Machine Learning — Simon Fraser University
یک دوره برای ورود جدی‌تر به Probabilistic Machine Learning؛ شامل Maximum Likelihood، EM، Bayesian Networks، Markov Random Fields، MCMC، Variational Inference و Causal Inference. این دوره برای کسانی مناسب است که مبانی احتمال و یادگیری ماشین را از قبل می‌دانند.
🔗 صفحه کامل دوره
🔗 ویدئوهای دوره

🎁 منبع تکمیلی فارسی
ویدئوهای رایگان دوره دکتر علی شریفی زارچی دیگر در دسترس نیستند؛ اما مخزن عمومی دوره شامل Notebookهای زبان R، تمرین‌ها، آزمون‌ها و سیلابس همچنان باقی مانده است
🔗https://github.com/SharifiZarchi/Probability_Statistics

💡 مسیر پیشنهادی DE:
اگر احتمال را از پایه شروع می‌کنید:
دکتر نایبی برای ساختن پایه نظری
⬇️
دکتر آشتیانی برای حل مسئله و تثبیت مفاهیم
⬇️
UCLA STATS 100A برای مرور انگلیسی و شبیه‌سازی با Python
⬇️
CMPT 727 برای ورود به Probabilistic Machine Learning
در کنار این مسیر هم از مخزن دکتر شریفی زارچی برای تمرین‌ها و پیاده‌سازی با R استفاده کنید. 🚀

آپارات - سرویس اشتراک ویدیو

آموزش درس آمار و احتمال مهندسی (دانشگاه صنعتی شریف)

برای مشاهده ادامه این آموزش می توانید به این لینک مراجعه کنید. https://modernamooz.ir/EDU/lms/product/379