اجتماع آماری ها 📈

🎲 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. 🚀