12352
✾ ـ﷽ـ ✾ بزرگترین مرجع تخصصی آمار کتب و جزوات دروس تخصصی آمار آموزش مباحث مهم آمار نرم افزار های آماری مشاوره آماری ادمین و روابط عمومی : @Amar_kadeh_admin اینستاگرام: https://instagram.com/amar__kade
دوره آموزشی احتمال دو
دکتر پارسیان
دانشگاه الزهرا
┏━━━━━
🌐 @Amar_kadeh 📖✍️
┗━━━━━━━━━━
🎰 توزیع هندسی چیه؟
توزیع هندسی (Geometric Distribution) یک توزیع گسسته است که به ما میگه:
چند بار باید یک آزمایش را تکرار کنیم تا اولین موفقیت اتفاق بیفته؟
🔍 انواع مطالعات:
🧪 ۱. مطالعات مشاهدهای (Observational Studies)
در این نوع مطالعات، پژوهشگر فقط مشاهده و ثبت میکند، بدون اینکه دخالتی در روند طبیعی داشته باشد.
📌 الف) مطالعه مقطعی (Cross-sectional)
چی هست؟ بررسی یک گروه از افراد در یک زمان خاص.
مثال: بررسی اینکه چند درصد از دانشجویان در سال ۱۴۰۴ دچار اضطراب امتحان هستند.
📌 ب) مطالعه مورد-شاهدی (Case-Control)
چی هست؟ مقایسه افرادی که بیماری دارند (مورد) با افرادی که ندارند (شاهد) برای یافتن علت.
مثال: بررسی اینکه آیا مصرف نوشابه با سرطان معده مرتبط است یا نه، با مقایسه بیماران سرطانی و افراد سالم.
📌 ج) مطالعه کوهورت آیندهنگر (Prospective Cohort)
چی هست؟ دنبال کردن یک گروه سالم در طول زمان برای دیدن اینکه چه کسانی بیمار میشوند.
مثال: بررسی اینکه آیا شیفت شب باعث دیابت میشود یا نه، با پیگیری ۵ سالهی پرستاران.
🧬 ۲. مطالعات مداخلهای (Interventional or Experimental Studies)
در این نوع، پژوهشگر دخالت میکند و تأثیر یک مداخله را بررسی میکند.
📌 الف) کارآزمایی بالینی تصادفی (Randomized Controlled Trial - RCT)
چی هست؟ افراد بهصورت تصادفی به دو گروه تقسیم میشوند: یکی دارو میگیرد، یکی دارونما.
مثال: بررسی اینکه آیا داروی جدید فشار خون بهتر از داروی قبلی عمل میکند یا نه.
📚 ۳. مطالعات مروری (Review Studies)
در این نوع، پژوهشگر خودش داده جمع نمیکند، بلکه مطالعات قبلی را مرور و تحلیل میکند.
📌 الف) مرور سیستماتیک (Systematic Review)
چی هست؟ جمعبندی دقیق و منظم از همهی مطالعات موجود دربارهی یک موضوع خاص.
مثال: بررسی همهی مطالعات دربارهی تأثیر ورزش بر افسردگی.
📌 ب) متاآنالیز (Meta-analysis)
چی هست؟ ترکیب آماری نتایج چند مطالعه برای رسیدن به یک نتیجهی کلی.
مثال: محاسبهی میانگین تأثیر داروی خاص بر کاهش قند خون از ۱۰ مطالعه مختلف.
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━
طرح بلوک کامل تصادفی یعنی تقسیمبندی منظم برای کاهش اشتباه، مثل تقسیم زمین به بخشهای مساوی و دادن کودهای مختلف به هر بخش بهصورت شانسی.
بیایید خیلی ساده و تصویری توضیحش بدیم، طوری که حتی اگه تا حالا با آمار سر و کار نداشتی، راحت بفهمی:
🧠 طرح بلوک کامل تصادفی یعنی چی؟
فرض کن میخوای ببینی کدوم نوع کود کشاورزی برای رشد گوجه بهتره. سه نوع کود داری: A، B و C.
اما یه مشکل هست: زمین کشاورزیات یکنواخت نیست. یه طرفش آفتاب بیشتر میخوره، یه طرفش خاکش بهتره. اگه همینطوری کودها رو پخش کنی، نمیفهمی تفاوت رشد گوجهها به خاطر کود بوده یا به خاطر تفاوت زمین.
اینجاست که طرح بلوک کامل تصادفی به دادت میرسه!
🧱 مرحلهبهمرحله با مثال ساده
1. تقسیم زمین به بلوکها
زمین رو به چند قسمت مساوی تقسیم میکنی. مثلاً ۳ بلوک. هر بلوک شرایط مشابهی داره (مثلاً خاک و نور یکسان).
2. در هر بلوک، کودها رو تصادفی پخش میکنی
توی هر بلوک، بهصورت شانسی تعیین میکنی که کدوم قسمت کود A بگیره، کدوم B، کدوم C.
مثلا:
بلوک ۱: A، B، C
بلوک ۲: B، C، A
بلوک ۳: C، A، B
3. اندازهگیری نتیجه
بعد از مدتی، رشد گوجهها رو اندازه میگیری و با هم مقایسه میکنی.
🎯 چرا این روش خوبه؟
اشتباهات محیطی رو کم میکنه (مثلاً تفاوت خاک یا نور)
مقایسه منصفانه بین تیمارها (کودها) انجام میدی
تحلیل آماری دقیقتر میشه
🧪 یه مثال واقعی از مقالهها
در یک آزمایش برای بررسی تأثیر کشت مخلوط نخود و جو، پژوهشگران زمین رو به ۳ بلوک تقسیم کردن و در هر بلوک، ترکیبهای مختلفی از کشت رو بهصورت تصادفی اجرا کردن تا اثرات محیطی رو کنترل کنن.
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━
انجمن علمی دانشجویی ریاضی دانشگاه شهید مدنی آذربایجان با همکاری مشترک هسته فناور مدیتا و همکاری شورای اجرایی مجمع انجمنهای علمی دانشجویی دانشگاه و جمعی از انجمنهای علمی دانشجویی کشور برگزار میکند:
⚡️دوره جامع ساخت دستیار هوش مصنوعی⚡️
🔷مدرس:مهندس رضا میرمحرابی(مسئول بخش توسعه نرم افزار و سخت افزار هسته فناور مدیتا_برنامه نویس و فعال حوزه هوش مصنوعی_مهندس ارشد هوش مصنوعی شرکت Anthropic)
🔷هزینه ثبتنام:دانشجویان دانشگاه شهید مدنی آذربایجان و موسسه هسته فناور مدیتا و انجمنهای همکار:200هزار تومان
سایر دانشجویان:250هزار تومان
آزاد:300هزار تومان
🔷زمان:چهارشنبه 5 آذر ماه 1404، ساعت 18 الی 20 بصورت آنلاین
🔷2 ساعت آنلاین+28 ساعت آفلاین
🔷جهت ثبتنام و کسب اطلاعات بیشتر به آیدی زیر در تلگرام یا ایتا مراجعه فرمایید:
آقای احمدوندی:
@alllooo1
♻️ با ما همراه باشید
🌐 https://zil.ink/EC_ASMU
🆔 @EC_ASMU
🆔 @anjomanelmi_ASMU
🆔/channel/Math_ASMU
🆔/channel/MEDITAAP
🎲 زنجیره مارکوف چیه
زنجیره مارکوف یعنی یه مدل ریاضی که توش آینده فقط به حال حاضر بستگی داره، نه گذشته.
مثل اینکه حافظهاش پاک شده باشه! فقط میدونه الان کجاست، نه اینکه چطور به اینجا رسیده.
🐍🎲 مثال بازی مار و پله
فرض کن داریم مار و پله بازی میکنیم:
الان مهرهت روی خانه 17 هست.
تاس میریزی، مثلاً 4 میاد.
میری خانه 21. حالا فقط مهمه که روی 21 هستی.
دیگه مهم نیست از 17 اومدی یا از 5 یا از 99!
🔁 هر بار که تاس میریزی، فقط موقعیت فعلی مهمه. این یعنی رفتار مارکوفی!
📊 برای آماریها: یه نگاه ریاضی
زنجیره مارکوف یعنی:
یه مجموعه از حالتها داریم: مثلا خانههای بازی.
یه ماتریس احتمال انتقال داریم: احتمال اینکه از خانه i بری به خانه j چقدره.
این ماتریس میتونه پیشبینی کنه بعدی کجایی، فقط با دانستن حالت فعلی.
مثلاً:
خانه 1 → خانه 2 با احتمال 0.5
خانه 1 → خانه 3 با احتمال 0.5
🔑 سه ابزار، که حرفه ای ها ازش استفاده میکنند.
payan.name.9606
Anara.com
جواب سوال تحقیق را میده📄
Optical fiber
ساخت نمودارهای و شکل های عالی📈
Otio.ai
ایده برای نگارش کامل پروژه وپایان نامه✨️
Kimi ai
ایده برای ساختن پاور پوینت پایان نامه🎨
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
┄┄┅┅┅🌷⃟🇮🇷 ┅┅┅┄┄
📌 انجمن علمی دانشجویی آمار معاونت فرهنگی و اجتماعی با همکاری گروه آمار دانشگاه الزهرا (س) برگزار میکند:
📑 دوره آموزشی ICDL 📑
👤 مدرس: سرکار خانم مهتا غلامی
دانشجوی رشتهی آمار دانشگاه الزهرا (س)
📅 زمان برگزاری: از ۶ آذر ۱۴۰۴
📆 روزهای برگزاری: پنجشنبه و جمعه
⏰ ساعت: ۱۵ تا ۱۸
📚 مدت دوره: ۳۶ ساعت آموزش
🖥 مجازی - در بستر ادوبی کانکت
💰 هزینه ثبتنام:
🎓 دانشجویان ورودی جدید: ۴۵۰ هزار تومان
🎓 سایر دانشجویان: ۵۵۰ هزار تومان
👥 داوطلبان غیر دانشجو: ۷۰۰ هزار تومان
📘 سرفصلهای دوره:
🔹 Microsoft Word
آشنایی اولیه و تنظیمات پایه
قالببندی پیشرفته و درج عناصر
🔹 Microsoft Excel
کار با فرمولها و توابع پایه
توابع متنی و منطقی
مدیریت دادهها و مرتبسازی
نمودارها و تحلیل داده
🔹 Microsoft PowerPoint
آشنایی و اصول طراحی اسلاید
انیمیشنها و انتقالها
🎗 همراه با اعطای گواهی معتبر دوزبانه 🔖
📲 برای ثبتنام به آیدی زیر مراجعه کنید:
@Stat_Alzahra
❅ انجمن علمی آمار دانشگاه الزهرا (س) ❅
http://zil.ink/anjomaneamaralzahra
❅معاونت فرهنگی و اجتماعی
دانشگاه الزهرا (س)❅
https://eitaa.com/farhangialzahraplans
🧠 آزمون توان یعنی چی؟
آزمون توان (Power Analysis) یه جور برنامهریزی قبل از انجام آزمایش یا تحقیق آماریه. کمک میکنه بفهمی:
چند نفر (نمونه) باید توی تحقیق باشن
چقدر احتمال داره که اگه واقعاً تفاوتی وجود داره، اون رو کشف کنی
🎯 یه مثال ساده و بامزه:
فرض کن میخوای بفهمی آیا قهوه باعث میشه مردم سریعتر تایپ کنن یا نه.
سناریو:
دو گروه داری:
گروهی که قهوه خوردن
گروهی که قهوه نخوردن
میخوای سرعت تایپ این دو گروه رو مقایسه کنی.
🤔 حالا آزمون توان کجا به درد میخوره؟
قبل از اینکه بری ۱۰۰ نفر قهوه بدی و تایپشون رو اندازه بگیری، باید بدونی:
چند نفر لازمه؟ (شاید با ۲۰ نفر هم کافی باشه!)
اگه واقعاً قهوه تأثیر داره، آیا آزمایشت میتونه اون تأثیر رو کشف کنه؟
🧪 چهار عنصر اصلی آزمون توان:
عنصر
یعنی چی؟
مثال در داستان قهوه
اثر واقعی (Effect Size)
تفاوت واقعی بین دو گروه
مثلاً قهوه باعث میشه ۱۰ کلمه بیشتر در دقیقه تایپ کنن
سطح معنیداری (α)
احتمال اینکه اشتباهی بگی "تفاوت هست" در حالی که نیست
معمولاً ۰.۰۵ (۵٪) میگیرن
توان آماری (Power)
احتمال اینکه اگه تفاوت واقعی هست، اون رو کشف کنی
معمولاً ۸۰٪ یا بیشتر میخوان
حجم نمونه (Sample Size)
چند نفر باید توی تحقیق باشن
مثلاً ۳۰ نفر در هر گروه
🧮 نتیجه:
با آزمون توان میفهمی که مثلاً:
«اگه بخوای با ۸۰٪ اطمینان بفهمی قهوه واقعاً تأثیر داره، باید حداقل ۳۵ نفر در هر گروه داشته باشی.»
🟣 بورسیه تحصیلی دانشگاه ETH زوریخ، سوئیس
🎓مقطع: ارشد
📚رشتههای تحصیلی:
🏗 معماری و مهندسی عمران
معماری
مهندسی عمران
مهندسی محیط زیست
ژئوماتیک (مهندسی نقشهبرداری و سنجش از دور)
سیستمهای ساختمان یکپارچه
توسعه فضایی و سامانههای زیربنایی
معماری منظر
⚙ علوم مهندسی
مهندسی زیستپزشکی
زیستفناوری
زیستشناسی و زیستاطلاعرسانی محاسباتی
علوم کامپیوتر
امنیت سایبری
علم داده
مهندسی برق و فناوری اطلاعات
علم و فناوری انرژی
علم مواد
مهندسی مکانیک
میکرو و نانوسیستمها
سامانههای عصبی و محاسبات
مهندسی هستهای
مهندسی فرایند
مهندسی کوانتومی
رباتیک، سامانهها و کنترل
🔬 علوم طبیعی و ریاضیات
بیوشیمی – زیستشناسی شیمیایی
زیستشناسی
مهندسی شیمی و زیستی
شیمی
علوم و مهندسی محاسباتی
فیزیک انرژی بالا
علوم میانرشتهای
ریاضیات / ریاضیات کاربردی
علوم دارویی
داروسازی
فیزیک
مالی کمی (Quantitative Finance)
آمار
🌍 علوم طبیعی سیستممحور
علوم کشاورزی
ژئوفیزیک کاربردی
علوم جوّ و اقلیم
علوم زمین
علوم محیطزیست
علوم و تغذیه غذایی
علوم و فناوری سلامت
سامانههای فضایی
علوم میانرشتهای مغز
💼 مدیریت و علوم اجتماعی
مطالعات تطبیقی و بینالمللی
تاریخ و فلسفه دانش
مدیریت، فناوری و اقتصاد
آموزش ریاضیات
آموزش علوم
علم، فناوری و سیاست
⏱️ددلاین: ۳۰ نوامبر ۲۰۲۵
🌐 جهت کسب اطلاعات بیشتر به وبسایت زیر مراجعه نمائید:
https://ethz.ch/students/en/studies/financial/scholarships/excellencescholarship.html
┏━━━━━
✅ @Amar_kadeh 📊
┗━━━━━━━━━━
💎 دوره آنلاین «تربیت مدیر بازاریابی: از مبانی تا داده محوری»
📌 بازاریابی رو به اعداد قابل اندازهگیری تبدیل کن ❗️
✅ سرفصلها:
🔹 بخشبندی بازار و طراحی پرسونا
🔹 تصمیمگیری دادهمحور در بازاریابی
🔹 بهینهسازی کانالهای بازاریابی
🔹طراحی و اجرای تستهای بازاریابی
🏛 موسسه توسعه
📎 مشاوره رایگان و مشاهده جزئیات دوره:
🌐 httb.ir/ShoN3 👈
🟣🟣🟣🟣🟣
➖➖بسم الله الرحمن الرحیم➖➖
سلام خدمت همراهان عزیز امار کده صبحتون بخیر و شادی💙
┏━━━━━
🌐 @Amar_kadeh ✅
┗━━━━━━━━━━
✔️
آشنایی با اصول برآورد
🔹 برآورد نقطهای (Point Estimation)
هدف: تخمین یک پارامتر ناشناخته (مثل میانگین جامعه) با یک عدد مشخص
مثال: میانگین قد ۳۰ دانشجو بهعنوان تخمینی برای میانگین قد کل دانشجویان دانشگاه
🔹 برآورد فاصلهای (Interval Estimation)
هدف: ارائه یک بازه که با احتمال مشخصی شامل پارامتر واقعی باشد
ابزار: فاصله اطمینان ۹۵٪ برای میانگین یا نسبت
🔹 ویژگیهای برآوردگر خوب
نااریب بودن (Unbiasedness): میانگین برآوردگر برابر با مقدار واقعی پارامتر
کارایی (Efficiency): کمترین واریانس ممکن
سازگاری (Consistency): با افزایش حجم نمونه، برآوردگر به مقدار واقعی نزدیک میشود
🔹 روشهای برآورد کلاسیک
حداکثر درستنمایی (Maximum Likelihood Estimation - MLE)
برآوردی که احتمال مشاهده دادهها را بیشینه میکند
کاربرد: مدلهای رگرسیون، توزیعهای احتمال پیچیده
برآوردگر مینیمم مربعات (Least Squares Estimation)
کمینهسازی مجموع مربعات خطاها
کاربرد: رگرسیون خطی و غیرخطی
🔹 برآوردهای بیزی (Bayesian Estimation)
ترکیب اطلاعات پیشین (Prior) با دادههای جدید (Likelihood)
خروجی: توزیع پسین (Posterior) برای پارامترها
جذابیت: امکان مدلسازی عدم قطعیت و استفاده از دانش قبلی
🔹 برآوردگرهای مقاوم (Robust Estimators)
هدف: کاهش تأثیر دادههای پرت یا توزیعهای غیرنرمال
مثال: استفاده از میانه بهجای میانگین در دادههای دارای ناهنجاری
🔹 برآوردهای نیمهپارامتریک و ناپارامتریک
بدون فرض دقیق درباره شکل توزیع جامعه
ابزارهایی مانند Kernel Density Estimation یا روشهای Bootstrap
🔹 برآورد در مدلهای پیچیده
مدلهای چندسطحی، مدلهای ساختاری، مدلهای زمانی
استفاده از الگوریتمهای عددی مانند EM یا MCMC برای تخمین پارامترها
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━
🌟 فرصت ویژه برای یادگیری مهارتهای ضروری کامپیوتر!
کارگاه جامع ICDL با تدریس تخصصی و ارائه گواهی معتبر برگزار میشود.
💻 آنچه در این دوره یاد میگیرید:
Windows 10 • Word • Excel • PowerPoint • Access • Internet
مهارتهایی که برای دانشگاه، کار و رزومه حرفهای ضروریاند!
🎥 عدم امکان حضور؟ نگران نباشید!
فیلم کامل جلسات پس از ثبتنام در اختیار شما قرار میگیرد.
⏳ ظرفیت محدود — آخرین مهلت ثبتنام: ۱۹ آبان، ساعت ۱۹
💰 هزینه دوره: ۳۵۰ هزار تومان
📩 ثبتنام: ارسال پیام در تلگرام
@anjomanrazi2025
🌐 برگزاری آنلاین در اسکایروم
📜 صدور گواهی معتبر از مرکز مهارت دانشگاه رازی
👥 شرکت برای عموم آزاد است
📝 در صورت تمایل، شرکتکنندگان ساکن استان کرمانشاه یا دانشجوی دانشگاههای استان میتوانند برای شرکت در آزمون رسمی و دریافت گواهی فنیوحرفهای (با هزینه مازاد) معرفی شوند.
🔗 کانال مرکز:
/channel/tmcrazi
تفاوت MLE وMME
🎯 ۱. MLE: Maximum Likelihood Estimation
برآورد درستنمایی بیشینه
هدف: پیدا کردن پارامترهایی که احتمال مشاهده دادههای فعلی را بیشینه میکنند.
روش: با استفاده از تابع درستنمایی (Likelihood Function)، پارامترهایی را انتخاب میکنیم که دادهها را "محتملترین" حالت ممکن نشان دهند.
ویژگیها:
معمولاً دقیقتر از سایر روشها
نیازمند دانش از توزیع احتمال دادهها
پایهای برای بسیاری از الگوریتمهای یادگیری ماشین
📐 ۲. MME: Method of Moments Estimation
روش برآورد به کمک گشتاورها
هدف: استفاده از گشتاورهای نمونهای (مثل میانگین، واریانس) برای تخمین پارامترهای مدل
روش: گشتاورهای نظری مدل را با گشتاورهای نمونهای برابر قرار میدهیم و از آنها پارامترها را استخراج میکنیم.
ویژگیها:
سادهتر و سریعتر
نیاز به محاسبات پیچیده ندارد
ممکن است کمدقتتر از MLE باشد، مخصوصاً در دادههای پیچیده
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━
Mapify
⭕ یک هوش مصنوعی است که باخلاصه کردن یک کتاب یا مقاله در چند دقیقه، زمینه مطالعه آسان حجم عظیمی از منابع را فراهم می کند.
Mapify.so
✅ با دادن یک فایل به هوش مصنوعی مپیفای، درخت محتوا و نقشه ذهنی آن را به دست آورید!
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
💡 دوره جامع علم داده (Data Science)
🧠 از مفاهیم پایه تا پروژههای واقعی
🐍 به همراه آموزش Python و SQL Server
👥 دوره آنلاین #علم_داده مناسب برای:
✅ دانشجوها ✅تحلیلگران داده ✅کارکنان واحدهای تخصصی
و
⭐️ افرادی که دنبال تغییر مسیر شغلی به دنیای تحلیلگری داده و دیتاساینس هستن
📎 مشاوره رایگان + مشاهده جزئیات دوره:
🌐 httb.ir/ax1ll
💯 گواهینامه معتبر مؤسسه توسعه
---
📈 جمعبندی سریع:
🟣 دوره آنلاین
🟣 شروع با مفاهیم پایه
🟣 یادگیری ماشین Python، (ML) و شبکههای عصبی
🟣 آموزش با Case Study ها و تحلیلها از صنایع و حوزههای متعدد
🧩 یادگیری ماشین (Machine Learning)
چی هست؟
مثل انتخاب بهترین مدل رگرسیون یا طبقهبندی برای پیشبینی یک متغیر بر اساس دادهها.
مثال آماری:
فرض کنید میخواهید بر اساس سن و درآمد، احتمال خرید بیمه عمر را پیشبینی کنید.
شما چند مدل مثل رگرسیون لجستیک، درخت تصمیم و SVM را امتحان میکنید، دقتشان را مقایسه میکنید و بهترین را انتخاب میکنید.
🧬 یادگیری عمیق (Deep Learning)
چی هست؟
وقتی دادهها خیلی پیچیده یا حجیم هستند (مثل تصاویر، صدا یا متن)، مدلهای معمولی جواب نمیدهند. اینجا شبکههای عصبی عمیق وارد میشوند.
مثال آماری:
فرض کنید میخواهید از روی عکسهای پزشکی تشخیص دهید که فرد سرطان دارد یا نه.
مدلهای آماری سنتی نمیتوانند تصویر را تحلیل کنند، اما شبکههای عصبی کانولوشنی (CNN) میتوانند ویژگیهای تصویری را یاد بگیرند و تصمیمگیری کنند.
🧠 عملیات یادگیری ماشینی (MLOps)
چی هست؟
مثل مدیریت پروژه در یادگیری ماشین. وقتی مدلها را ساختید، باید آنها را بهصورت خودکار آموزش دهید، تست کنید، ذخیره کنید و در محیط واقعی اجرا کنید.
مثال آماری:
فرض کنید هر روز دادههای جدیدی از مشتریان میرسد. شما باید مدل پیشبینیتان را هر هفته با دادههای جدید آموزش دهید، دقتش را بررسی کنید، نسخه جدید بسازید و در سایت شرکت اجرا کنید. MLOps این کارها را خودکار میکند، مثل داشتن یک خط تولید برای مدلهای آماری.
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━
انجمن علمی دانشجویی ریاضی دانشگاه شهید مدنی آذربایجان با همکاری شورای اجرایی مجمع انجمنهای علمی دانشجویی دانشگاه و جمعی از انجمنهای علمی دانشجویی کشور برگزار میکند:
⚡️کارگاه آموزشی پروپوزالنویسی⚡️
🔷مدرس:دکتر علی عبادی(عضو هیئت علمی پژوهشگاه علوم و فنون هستهای)
🔷به همراه ارائه گواهی معتبر
🔷تعداد جلسات، 2 جلسه میباشد.
🔷هزینه ثبتنام:دانشجویان دانشگاه شهید مدنی آذربایجان و انجمنهای همکار:150هزار تومان
سایر دانشجویان:200هزار تومان
آزاد:300هزار تومان
🔷مهلت ثبتنام:تا 13 آذر ماه 1404
🔷زمان:روز جمعه 14 آذرماه 1404 از ساعت 9 الی 11 بصورت آنلاین در بستر اسکای روم
🔷جهت ثبتنام و کسب اطلاعات بیشتر به آیدی زیر در تلگرام یا ایتا مراجعه فرمایید:
آقای احمدوندی:
@alllooo1
♻️ با ما همراه باشید
🌐 https://zil.ink/EC_ASMU
🆔 @EC_ASMU
🆔 @anjomanelmi_ASMU
🆔/channel/Math_ASMU
🎯 تفاوتهای کلیدی بین آمار و ریاضی
ریاضی بیشتر به مفاهیم انتزاعی مثل عدد، فضا، الگوها و اثباتهای منطقی میپردازه.
آمار تمرکز داره روی جمعآوری، تحلیل، تفسیر و ارائه دادههای واقعی برای تصمیمگیری در دنیای واقعی
📈 چرا آمار مهم شد و مستقل شد؟
آمار زمانی اهمیت پیدا کرد که بشر نیاز داشت تصمیمگیریهاش رو بر اساس داده انجام بده، نه فقط منطق. چند مثال جذاب:
در پزشکی: آمار کمک میکنه بفهمیم یک دارو چقدر مؤثره. مثلاً آزمایشهای بالینی با تحلیل آماری نشون میدن که آیا دارو بهتر از دارونما عمل میکنه.
در ورزش: تیمها از آمار برای انتخاب بازیکن استفاده میکنن. فیلم Moneyball نمونهایه که چطور آمار باعث موفقیت تیم بیسبال شد.
در سیاست: نظرسنجیها با روشهای آماری پیشبینی میکنن که چه کسی در انتخابات برنده میشه.
در اقتصاد: شاخصهایی مثل تورم، بیکاری یا رشد اقتصادی با تحلیل آماری به دست میان.
🕰 تاریخچهای کوتاه از استقلال آمار
در قرن ۱۸ و ۱۹، آمار بیشتر برای جمعآوری دادههای جمعیتی و اقتصادی استفاده میشد.
در قرن ۲۰، با ظهور روشهای آماری مثل آزمون فرضیه، رگرسیون و طراحی آزمایش، آمار از ریاضی جدا شد و به یک رشته مستقل تبدیل شد.
در دانشگاههای سوئد، از اوایل دهه ۱۹۰۰، آمار ریاضی به عنوان یک بخش جداگانه تدریس شد و شخصیتهایی مثل C.V. Charlier نقش مهمی در این جدایی داشتند.
🔍 آمار چه کارهایی میکنه؟
مدیریت عدم قطعیت: آمار با احتمال و خطا کار میکنه، در حالی که ریاضی دنبال قطعیت و اثباته.
تحلیل دادههای تجربی: آمار دادههای واقعی رو بررسی میکنه، نه فقط مفاهیم نظری.
پیشبینی آینده: با مدلسازی آماری میشه روندهای آینده رو پیشبینی کرد، مثل پیشبینی فروش، آبوهوا یا بیماریها.
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━
✅سی و دومین همایش ملی و سیزدهمین همایش بین المللی بیمه و توسعه | ICDI 2025
🔺با سخنرانی : دکتر رحیم محمودوند (عضو هیئت علمی دانشگاه بوعلی سینا)
🔺نحوه برگزاری: برخط | ۲۸ آبان ماه ۱۴۰۴ | ساعت ۸ الی ۱۲
🔺حضور بر خط در این پنل از طریق نشانی trn.irc.ac.ir امکان پذیر می باشد.
فرایندهای تصادفی
فرایند تصادفی مجموعهای از متغیرهای تصادفی است که در طول زمان یا مراحل مختلف تغییر میکنند. یعنی ما یک پدیده داریم که هر لحظه ممکن است رفتار متفاوتی داشته باشد، اما این رفتارها طبق یک الگوی احتمالاتی قابل تحلیل هستند.
🧠 مثالهای ساده و روزمره
قیمت دلار
هر روز بالا و پایین میرود، اما طبق الگوهایی میتوان احتمال تغییرات را بررسی کرد.
تعداد مشتریهای یک فروشگاه
در هر ساعت ممکن است تعداد متفاوتی مشتری وارد شود. این تعداد تصادفی است ولی قابل مدلسازی.
حرکت ذرات گرد و غبار در هوا
مسیر دقیقشان معلوم نیست، اما رفتار کلیشان قابل تحلیل است.
صف بانک یا نانوایی
ورود و خروج افراد به صف در زمانهای مختلف تصادفی است.
🔧 کاربردهای مهم فرایندهای تصادفی
اقتصاد و بازارهای مالی: مدلسازی نوسانات قیمت سهام، نرخ بهره، ارز و ...
مهندسی برق و مخابرات: تحلیل نویز در سیگنالها، طراحی فیلترها، انتقال دادهها
هوش مصنوعی و یادگیری ماشین: الگوریتمهای تصمیمگیری و یادگیری تقویتی
زیستشناسی و پزشکی: رشد سلولها، پخش بیماریها، مدلسازی رفتارهای ژنتیکی
فیزیک: حرکت براونی ذرات، مدلسازی سیستمهای کوانتومی
🔍 چند نوع معروف از فرایندهای تصادفی
زنجیره مارکوف (Markov Chain): آینده فقط به وضعیت فعلی بستگی دارد، نه گذشته. مثل بازی مار و پله.
فرایند پواسون (Poisson Process): برای مدلسازی رخدادهای ناگهانی مثل تماسهای تلفنی یا تصادفها.
حرکت براونی (Brownian Motion): مدلسازی حرکت تصادفی ذرات در مایعات یا بازارهای مالی.
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━
جزوه آموزشی لیزرل
#liserl
┏━━━━━
🌐 @Amar_kadeh 📖✍️
┗━━━━━━━━━━
جزوه درس آمار ریاضی دو
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
با ما در لینکدین مون همراه باش👇🤗
لینکدین آمارکده
┏━━━━━
🌐 @Amar_kadeh 📖✍️
┗━━━━━━━━━━
🖋بدن انسان؛ یک ماشین داده🛡
1⃣تعداد نفسها: حدود 600 میلیون بار تا 75 سالگی.
⬇️هر دم و بازدم، دادهای از زنده بودن ماست.
2⃣تپش قلب: 3 میلیارد بار در طول عمر.
3⃣پلک زدن: حدود 28000 بار در روز؛ یعنی بیش از 10 میلیون بار در سال❗️
4⃣تولید بزاق: حدود 25000 لیتر در طول زندگی ◀️ کافی برای پر کردن یک استخر متوسط❗️
5⃣طی مسافت راه رفتن: حدود 136000 کیلومتر (سه بار دور زمین).
6⃣زمان صرفشده برای خواب: حدود 25 سال از عمر انسان.
7⃣زمان صرفشده برای غذا خوردن: حدود 6 سال.
8⃣میانگین ضربان قلب هنگام عاشق شدن: از 70 میرسه به حدود 90 بار در دقیقه ❤️.
9⃣تعداد سلولهای بدن: حدود 37 تریلیون سلول.
1⃣میانگین سلولهای مرده پوست در روز: حدود 500 میلیون سلول❗️
1⃣1⃣مغز انسان : ظرفیت حدود 2.5 پتابایت (2.5 میلیون گیگابایت) داده داره ◀️ تقریباً برابر با 3 میلیون ساعت ویدیو❗️
┏━━━━━
➡️@Amar_kadeh 📊
┗━━━━━━━━━━
#زنگ_تفریح
#قسمت1
✔️
#معرفی_سایت
معرفی چند سایت کاربردی برای ترجمه کردن دقیق مقالات و متنون مختلف
1. MACHINETRANSLATION.COM
استفاده از ابزار های مختلف ترجمه
2. SMARTCAT.COM
ترجمه دقیق و بدون بهم ریختگی
3. TRANSLATE.YANDEX.COM
ترجمه متن، مقاله و وبسایت
4. QUILLBOT.COM
ترجمه و پارافریز دقیق و رایگان
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━
📌از تحلیل پاسهای مسی تا پیشبینی قهرمان جام جهانی🛡
وقتی مسی پاس میده، فقط یه توپ حرکت نمیکنه‼️
یه دنیای عدد، احتمال و مدلسازی پشتشه. امروز تیمهای حرفهای فوتبال دیگه فقط به غریزهی مربی تکیه نمیکنن، بلکه از تحلیل داده و آمار پیشرفته برای تصمیمگیری استفاده میکنن.
📊 1️⃣. تحلیل پاسها با نظریه گرافها و ماتریس مجاورت
⚽️🆚🏴
در تیمهایی مثل بارسلونا و منچسترسیتی، هر بازیکن یه «گره» در گرافه و هر پاس یه «یال» بین دو گره.
از این گراف یه ماتریس میسازن (ماتریس مجاورت) و با محاسبه شاخصهایی مثل Degree Centrality یا Betweenness، مشخص میکنن کدوم بازیکن در گردش توپ نقش کلیدیتری داره.
⚽️ نتیجه؟ گاهی متوجه میشن بازیکنی که گل نمیزنه، در واقع مغز پنهان تاکتیک تیمه.
⚙️ 2⃣. تحلیل موقعیتهای گل با رگرسیون لجستیک
در مدلهای آماری مثل xG (Expected Goals)، برای هر شوت دادههایی مثل فاصله از دروازه، زاویه شوت، نوع پاس، موقعیت مدافعان و سرعت توپ وارد مدل رگرسیون لجستیک میشن.
مدل احتمال گل شدن رو میده. مثلاً:
«این شوت با احتمال ۰.۲۳ به گل تبدیل میشه.»
اینجوری مربی میفهمه بازیکن باید بیشتر از کدوم موقعیتها شوت بزنه.
🏆 3️⃣. پیشبینی قهرمان جام جهانی با شبیهسازی مونتکارلو
الگوریتمها هزاران بار مسابقات فرضی رو شبیهسازی میکنن. برای هر تیم دادههایی مثل قدرت حمله، دفاع، تعداد پاسهای دقیق و عملکرد تاریخی وارد میشه.
بعد از مثلاً ۱۰ هزار شبیهسازی، احتمال قهرمانی هر تیم بهدست میاد:
🇧🇷 برزیل: ۲۷٪
🇫🇷 فرانسه: ۲۱٪
🇪🇸 اسپانیا: ۱۵٪
این دقیقاً همون روشیه که شرکتهای دادهمحور مثل Opta و FiveThirtyEight استفاده میکنن.
🔥
آمار توی ورزش فقط برای جدول گلزنان نیست؛ تبدیل شده به ابزار استراتژیک برای تصمیمسازی.
اگه یه روز دیدی مربی قبل از تعویض، لپتاپ دستشه — بدون داره با مدلهای آماری تصمیم میگیره نه فقط حس درونی!
🎓 دوره جامع علم داده (Data Science)
🧠 از مفاهیم پایه تا پروژههای واقعی
🐍 به همراه آموزش Python و SQL Server
👥 دوره آنلاین #علم_داده مناسب برای:
✅ دانشجوها ✅تحلیلگران داده ✅کارکنان واحدهای تخصصی
و
⭐️ افرادی که دنبال تغییر مسیر شغلی به دنیای تحلیلگری داده و دیتاساینس هستن
📌 مشاوره رایگان + مشاهده جزئیات دوره:
👉 httb.ir/NfTKj
💯 گواهینامه معتبر مؤسسه توسعه
---
📈 جمعبندی سریع:
🟣 دوره آنلاین
🟣 شروع با مفاهیم پایه
🟣 یادگیری ماشین Python، (ML) و شبکههای عصبی
🟣 آموزش با Case Study ها و تحلیلها از صنایع و حوزههای متعدد
📊 نقش آمار در یادگیری ماشین
مدلسازی دادهها: الگوریتمهای یادگیری ماشین اغلب بر پایه مدلهای آماری ساخته میشوند، مثل رگرسیون خطی، رگرسیون لجستیک، و مدلهای بیز.
تحلیل عدم قطعیت: آمار کمک میکند تا میزان اطمینان یا عدم قطعیت در پیشبینیها سنجیده شود.
توزیعهای آماری: شناخت توزیعهایی مثل نرمال، پواسون، و بینومی برای درک رفتار دادهها ضروری است.
آزمون فرضیه: برای بررسی اینکه آیا یک ویژگی یا متغیر واقعاً تأثیرگذار است یا نه.
نمونهگیری و تعمیمپذیری: آمار به ما میگوید که آیا نتایج مدل روی دادههای جدید هم قابل تعمیم هستند یا فقط روی دادههای آموزش.
✨ نکات جذاب آماری در یادگیری ماشین
احتمال شرطی و قضیه بیز: پایهای برای الگوریتمهایی مثل Naive Bayes و شبکههای بیزی.
واریانس و بایاس: مفاهیمی کلیدی برای درک تعادل بین دقت مدل و پیچیدگی آن.
آزمونهای آماری: مثل t-test یا ANOVA برای بررسی تفاوت بین گروهها یا ویژگیها.
تحلیل همبستگی و کوواریانس: برای کشف روابط بین ویژگیها و انتخاب ویژگیهای مؤثر.
برآورد پارامترها: مثل روش بیشینه درستنمایی (MLE) برای تعیین بهترین پارامترهای مدل.
┏━━━━━
✅ @Amar_kadeh 😀
┗━━━━━━━━━━