انجمن علمی آمار دانشگاه شیراز

🎯مفهوم Clustering و کاربرد آن فرض کن وارد یک مهمانی بزرگ شده‌ای که صد نفر غریبه در آن هستند. اما بعد از مدتی دقت می‌کنی و متوجه می‌شوی: . یه عده عاشق موزیک‌اند، دور اسپیکر جمع شده‌اند . بعضی‌ها با هم درباره کتاب بحث می‌کنند . گروهی فقط دارن با گوشی بازی می‌کنن تو بدون اینکه از کسی سؤال کنی، فقط با نگاه به رفتار و موقعیتشون، متوجه می‌شی هر کسی به کدوم «قبیله» تعلق داره. این دقیقاً کاریه که( Clustering یا خوشه بندی) در علم داده انجام می‌ده. خوشه بندی در علم داده به معنی گروه‌بندی مجموعه‌ای از داده‌های بدون برچسب است، به طوری که اعضای هر گروه (یا خوشه) به هم شبیه‌تر و به اعضای دیگر گروه‌ها متفاوت‌تر باشند. 🔍 نگاه آماری به Clustering از دید آماری، خوشه‌بندی به دنبال حداکثر کردن همگنی (homogeneity) درون هر خوشه و حداکثر کردن ناهمگنی (heterogeneity) بین خوشه‌هاست. 🧠 کاربردهای واقعی: بخش‌بندی مشتریان (Market Segmentation) شناسایی رفتارهای مشابه کاربران فشرده‌سازی تصویر تشخیص ناهنجاری (Anomaly Detection) خوشه‌بندی اسناد متنی یا تصاویر ✅ خوشه‌بندی، از تکنیک‌های یادگیری ماشین بدون نظارت (Unsupervised Learning) است که با بهره‌گیری از مفاهیم آماری مانند میانگین، واریانس، فاصله و همبستگی، ساختار درونی و پنهان داده‌ها را کشف می‌کند — بدون نیاز به برچسب‌های قبلی. 📊@shustats    انجمن علمی آمار دانشگاه شیراز

🎯مفهوم و تفاوت های Supervised learning , Unsupervised learning 🧠یادگیری نظارت شده(Supervised learning) : یادگیری با راهنما – مثل مدرسه! تصور کن در حال یاد گرفتن تشخیص میوه‌ها هستی. یک نفر کنارت ایستاده و برای هر میوه‌ای که می‌بینی، بهت می‌گه: «این سیبه 🍎» یا «این پرتقاله 🍊». تو با دیدن ویژگی‌های میوه (مثل رنگ، اندازه، وزن) و شنیدن جواب درست، کم‌کم یاد می‌گیری که دفعه بعد، خودت بدون کمک تشخیص بدی. 📌 در این روش، مدل با دیدن مثال‌هایی که «جواب درست» دارند، آموزش می‌بیند. مثل تمرین‌هایی که معلم بعداً ازت امتحان می‌گیره! 🎯 کاربردها در یادگیری ماشین: پیش‌بینی قیمت خانه بر اساس اندازه و موقعیت تشخیص اینکه یک ایمیل اسپم است یا نه گفتن اینکه در یک عکس، چهره هست یا نه 🔍یادگیری بدون ناظر (Unsupervised Learning) : یادگیری بدون راهنما – مثل کشف قبیله‌ها در جمع حالا فرض کن فقط یک سبد پر از میوه داری، ولی هیچ‌کس نمی‌گه کدوم سیبه و کدوم پرتقال. تو فقط می‌تونی نگاه کنی، مقایسه کنی، و خودت تصمیم بگیری که چه چیزهایی به هم شبیه‌اند. شاید بعضی میوه‌ها کوچک‌ترن و قرمزترن → می‌ذاری‌شون یه طرف بقیه بزرگ‌تر و نارنجی‌ان → می‌ذاری‌شون طرف دیگه 📌 در این روش، مدل خودش باید با مقایسه ویژگی‌ها، الگوها و گروه‌های پنهان را کشف کند. 🎯 کاربردها در یادگیری ماشین: گروه‌بندی مشتری‌ها بر اساس نوع خرید تقسیم فیلم‌ها یا آهنگ‌ها به دسته‌هایی که مخاطب‌های مشابه دارند خوشه‌بندی داده‌های پزشکی برای کشف بیماری‌های مشابه 📊@shustats    انجمن علمی آمار دانشگاه شیراز

#رندوم‌نامه دموی convolutional neural network که Yann LeCun سال ۱۹۸۹ نشون داده بود، همون پایه‌ایه که CNN‌های امروزی روی اون ساخته شدن. 📊@shustats    انجمن علمی آمار دانشگاه شیراز

اطلاعیه فرم هم اتاقی 📊@shustats    انجمن علمی آمار دانشگاه شیراز

┄┄┅┅┅🌷⃟‌🇮🇷 ┅┅┅┄┄ 📌 انجمن علمی دانشجویی آمار معاونت فرهنگی و اجتماعی دانشگاه الزهرا (س) با همکاری گروه آمار دانشگاه برگزار می‌کند: 🎓 نشست تخصصی | از رزومه تا بورسیه 🗺 نقشه راه اپلای موفق برای تحصیلات تکمیلی 👤 سخنران: سرکار خانم کیانا میرباغستان دانشجوی کارشناسی ارشد علوم داده و مهندسی (Data Science and Engineering) دانشگاه پلی‌تکنیک تورین، ایتالیا 📅 زمان برگزاری: پنج‌شنبه ۲۹ مرداد ۱۴۰۵ 🗓 August 20, 2026 ⏰ ساعت: ۱۸:۰۰ الی ۲۰:۰۰ 💻 مجازی - در بستر Adobe Connect 📚 محورهای نشست: 🔹انتخاب دانشگاه و رشته مناسب برای اپلای 🔹ساخت رزومه (CV)، انگیزه‌نامه (SOP) و مدارک موردنیاز 🔹معرفی انواع بورسیه‌ها و فرصت‌های تأمین مالی 🔹نقشه راه اپلای از انتخاب دانشگاه تا دریافت پذیرش 🔹انتقال تجربه واقعی تحصیل و زندگی دانشجویی در خارج از کشور 🎟 شرکت در این نشست برای عموم علاقه‌مندان رایگان است. 📲جهت ثبت‌نام و دریافت اطلاعات بیشتر: @Stat_Alz ❅ انجمن علمی آمار دانشگاه الزهرا (س) ❅ https://alzahrastatisticsassociation.github.io/statistics-links/ 📊@shustats    انجمن علمی آمار دانشگاه شیراز

🧠 چرا آمار پایه‌ی یادگیری ماشینه؟ ممکنه فکر کنی یادگیری ماشین فقط با کد، دیتا و مدل‌های پیچیده سر و کار داره؛ اما در قلب تمام این‌ها، آمار و ریاضیات نشستن — مثل اسکلت یک ساختمان که شاید دیده نشه، اما همه چیز رو نگه می‌داره. 🎯 آمار دقیقاً کجاها به کار میاد؟ 1. پیش‌پردازش داده‌ها (Data Preprocessing) میانگین، میانه و انحراف معیار برای درک پراکندگی داده نرمال‌سازی و تشخیص داده‌های پرت (outliers) بدون این‌ها، مدل‌ها ممکنه دچار سوگیری بشن یا اشتباه یاد بگیرن. 2. درک کیفیت مدل معیارهایی مثل دقت (Accuracy)، فراخوانی (Recall)، یا AUC همشون مفاهیم آماری هستن تحلیل خطاهای مدل (مثل bias و variance) هم ریشه در آمار دارن 3. احتمال و تصمیم‌گیری یادگیری مدل در واقع یعنی: "با احتمال زیاد، خروجی درست رو حدس بزن" الگوریتم‌هایی مثل Naive Bayes یا Logistic Regression کاملاً آماری هستن 4. آزمون فرضیه (Hypothesis Testing) می‌خوای بدونی تغییر مدل بهتره یا بدتر؟ می‌خوای مطمئن شی نتایج اتفاقی نیست؟ باید از آزمون‌های آماری مثل t-test یا آزمون p-value استفاده کن 🧩 بدون آمار چه میشه؟ مدل شاید کار کنه، ولی: نمی‌فهمی چرا کار می‌کنه نمی‌تونی اشتباهاتش رو تحلیل کنی ممکنه داده‌های جعلی یا نامتعادل، مدل رو فریب بدن نمی‌تونی بفهمی مدلت واقعاً بهتر شده یا نه القصه✨ یادگیری ماشین بدون آمار، مثل رانندگی با چشمان بسته‌ست؛ شاید جلو بری، ولی نمی‌فهمی کجا می‌ری و کی می‌زنی به مانع. 📊@shustats    انجمن علمی آمار دانشگاه شیراز

تولید محتوا با هوش مصنوعی خوبه، ولی بلدی ازش پول دربیاری؟ 💸 خیلی‌ها کار با هوش مصنوعی رو بلدن، اما تعداد کمی می‌دونن چطور این مهارت رو به پول تبدیل کنن! 😌 توی دوره جدید ما، علاوه بر یادگیری تولید محتوا با هوش مصنوعی، تمام روش‌های درآمدزایی و پروژه گرفتن از این راه رو هم بهت یاد می‌دیم. 🚀 🛑 ظرفیت دوره محدوده! برای ثبت‌نام و مشاوره رایگان، همین الان کلمه «هوش» رو به آیدی زیر بفرست: 🆔 @novelway2 آدرس کانال مجموعه ما: 🆔 @novellway 📊@shustats    انجمن علمی آمار دانشگاه شیراز

بسمه‌تعالی استاد گرانقدر، سرکار خانم دکتر زهره شیشه‌بر ارتقای ارزشمند جنابعالی به مرتبه‌ی استادی را صمیمانه‌ترین تبریکات و شادباش‌های خود را به حضورتان تقدیم می‌داریم. این موفقیت ارزشمند، حاصل سال‌ها تلاش علمی، پشتکار بی‌وقفه و نقش مؤثر حضرتعالی در ارتقای کیفیت آموزش و پژوهش در دانشکده‌ی علوم دانشگاه شیراز است؛ دستاوردی که نه تنها مایه‌ی مباهات همکاران و دانشجویان، بلکه افتخاری بزرگ برای جامعه‌ی علمی کشور به شمار می‌رود. انجمن علمی آمار دانشگاه شیراز ضمن ارج نهادن به این موفقیت درخشان، برای جنابعالی سلامتی، توفیق روزافزون و تداوم درخشش در مسیر علم و خدمت به ایران اسلامی را از درگاه خداوند متعال مسألت دارد. همچنین این انجمن، ارتقای مرتبه‌ی دکتر امین شیروانی، از فارغ‌التحصیلان مقطع دکتری رشته‌ی آمار دانشگاه شیراز را نیز صمیمانه تبریک گفته و موفقیت ایشان را گرامی می‌دارد. امید است همچنان شاهد بالندگی و درخشش ایشان در عرصه‌های علمی و حرفه‌ای باشیم. با احترام و تبریک مجدد انجمن علمی آمار دانشگاه شیراز 🎓✨ 📊@shustats    انجمن علمی آمار دانشگاه شیراز

📣 انجمن علمی آمار دانشگاه قم برگزار می‌کند: 📊 دوره جامع آموزش صفر تا صد اکسل (Excel) 👨‍🏫 مدرس: مهندس پرویز قلندری 🗓 زمان برگزاری: ۱۰، ۱۲، ۱۴، ۱۷ و ۱۹ مرداد ⏰ ساعت: ۱۹:۰۰ تا ۲۱:۰۰ 💻 محل برگزاری: Adobe Connect (همراه با ضبط تمامی جلسات) 💳 هزینه ثبت‌نام: ۲۵۰ هزار تومان 🎓 همراه با ارائه گواهی حضور در دوره 🟣 سرفصل‌های دوره: ✔️ آشنایی کامل با محیط اکسل و نوار ابزار (Ribbon) ✔️ مدیریت و ویرایش داده‌ها ✔️ تنظیمات صفحه و تنظیمات پیشرفته نرم‌افزار ✔️ وارد کردن فایل‌ها، تصاویر، اشکال، جداول و لینک‌ها ✔️ طراحی و تنظیم انواع نمودارها ✔️ سامان‌دهی و مدیریت داده‌ها ✔️ فرمول‌نویسی و آشنایی با کدنویسی در اکسل ✔️ آموزش توابع پرکاربرد و کاربردی اکسل ✔️ نکات و ترفندهای تکمیلی ✨ این دوره برای دانشجویان، پژوهشگران، علاقه‌مندان به تحلیل داده و تمامی افرادی که قصد یادگیری اصولی اکسل را دارند، مناسب است. 📩 جهت ثبت‌نام به شناسه زیر پیام دهید: @anjoman_statistics | انجمن علمی آمار دانشگاه قم | 🆔 @statistics_qom ________ 📊@shustats    انجمن علمی آمار دانشگاه شیراز

انجمن علمی AI و IoT دانشگاه شیراز و انجمن زیست شناسی دانشگاه شیراز با همکاری دیگر انجمن ها برگزار میکند: 🧪 دوره جامع آموزشی GraphPad Prism 📊 👨‍🏫 مدرس : دکتر محمدباقر شاهسونی • فارغ‌التحصیل رشته زیست‌شناسی سلولی و مولکولی دانشگاه شیراز • پژوهشگر پسادکتری مرکز تحقیقات بیوشیمی و بیوفیزیک (IBB) دانشگاه تهران 🗓️ زمان برگزاری: دوشنبه ۷ و ۸ و ۹ مرداد 🕕 ساعت: ۱۸:۰۰ 📍 محل برگزاری: آنلاین http://vroom.shirazu.ac.ir/elmi12 💰 هزینه ثبت‌نام: • اعضای انجمن‌های همکار برگزارکننده: ۱۸۵ هزار تومان • دانشجویان دانشگاه شیراز: ۲۳۵ هزار تومان • سایر دانشجویان: ۲۸۵ هزار تومان 🎓 بهمراه صدور گواهی معتبر دانشگاه شیراز و پروژه عملی متناسب رشته شرکت‌کنندگان کنندگان ✅ این دوره برای تمامی دانشجویان با هدف تحلیل داده (اعم از آزمایشگاهی، زیستی و ...) مناسب بوده و به‌صورت کاربردی برگزار می‌شود. 🔗 ثبت‌نام : ۰۹۰۳۸۲۲۸۹۳۳ @AIoT_Admin ━━━━━━━━━━━━━━━━━━━━ ما را در شبکه های اجتماعی دنبال کنید💫 🆔 t.me/AIoT_SU 🆔 Instagram.com/AIoT_SU 🆔 ble.ir/AIoT_SU 🆔 linkedin.com/in/aiot-su 📊@shustats    انجمن علمی آمار دانشگاه شیراز

📌اطلاعیه برگزاری ترم تابستانی 1405 ‌ بدینوسیله به اطلاع دانشجویان محترم کارشناسی می‌رساند، بر اساس موافقت هیات رئیسه محترم دانشگاه شیراز، ترم تابستانی 1405 دانشگاه شیراز با نظارت و اجرای پردیس بین ­الملل دانشگاه  (کلاس‌ها بصورت مجازی و امتحانات بصورت حضوری) برگزار خواهد شد.  متن کامل اطلاعیه، برنامه زمانبندی و دروس ارائه شده  و .. در فایل پیوست میباشد 📊@shustats    انجمن علمی آمار دانشگاه شیراز

True education should question assumptions, challenge dogma, and inspire curiosity, not enforce blind memorization or mediocrity. - Bertrand Russell #کوت 📊@shustats    انجمن علمی آمار دانشگاه شیراز

یک تاس ساسانی، قرن ۳ تا ۷ میلادی. موزه متروپولیتن نیویورک #رندوم‌نامه 📊@shustats    انجمن علمی آمار دانشگاه شیراز

📌 اطلاعیه ربات تأمین منابع آموزشی که طی روزهای اخیر با اختلال مواجه بود، پس از رفع مشکل، مجدداً فعال شد. دانشجویان گرامی میتوانند از این پس برای دسترسی به منابع، از طریق لینک زیر اقدام کنند: @shirazu_stats_resourse_bot 📊@shustats    انجمن علمی آمار دانشگاه شیراز

بیانیه انجمن علمی آمار دانشگاه شیراز در خصوص احتمال مجازی‌سازی ترم آینده در پی انتشار اخباری درباره احتمال برگزاری ترم آینده به‌صورت مجازی، انجمن علمی آمار دانشگاه شیراز نگرانی عمیق خود را نسبت به این تصمیم اعلام می‌دارد. تجربه سال‌های گذشته نشان داده است که آموزش مجازی، به‌ویژه در رشته‌هایی مبتنی بر تعامل علمی، بحث کلاسی و فعالیت‌های تحلیلی، موجب افت کیفیت آموزش و تضعیف فرآیند یادگیری می‌شود. دانشگاه صرفاً بستر انتقال محتوای آموزشی نیست، بلکه محیطی برای شکل‌گیری تعاملات علمی، رشد فکری و فعالیت‌های پژوهشی است. حذف آموزش حضوری، این کارکرد بنیادین دانشگاه را به‌شدت محدود می‌کند و پیامدهای آموزشی و روانی قابل توجهی برای دانشجویان به همراه دارد. انجمن علمی آمار، بازگشت به آموزش مجازی را اقدامی غیرکارشناسی و مغایر با رسالت آموزشی دانشگاه می‌داند و از مسئولان محترم دانشگاه انتظار دارد با در نظر گرفتن منافع علمی و رفاهی دانشجویان، از تصمیم‌های شتاب‌زده پرهیز کرده و بر حفظ و تقویت آموزش حضوری تمرکز نمایند. 📊@shustats    انجمن علمی آمار دانشگاه شیراز

"Statistics is the grammar of science" - Karl Pearson #کوت 📊@shustats    انجمن علمی آمار دانشگاه شیراز

💡 انواع الگوریتم های خوشه بندی پارت یک 1️⃣ خوشه‌بندی تفکیکی (Partitional Clustering) این روش‌ها داده‌ها را به K خوشه مجزا تقسیم می‌کنند، به طوری که هر نقطه دقیقاً به یک خوشه اختصاص یابد. هدف معمولاً حداقل کردن یک معیار شباهت درون-خوشه‌ای یا حداکثر کردن معیار تفاوت بین-خوشه‌ای است. چند تا از الگوریتم‌های رایج: الگوریتم K-Means: ⦁ تعداد خوشه‌ها (K) را مشخص می‌کنیم. ⦁ تعداد K نقطه را به صورت تصادفی به عنوان مراکز اولیه خوشه‌ها (centroids) انتخاب می‌کنیم. ⦁ فاز انتساب (Assignment): هر نقطه داده را به نزدیک‌ترین مرکز خوشه (بر اساس فاصله اقلیدسی یا معیارهای دیگر) اختصاص می‌دهیم. ⦁ فاز به‌روزرسانی (Update): مراکز خوشه‌ها را با محاسبه میانگین تمامی نقاطی که به آن خوشه اختصاص یافته‌اند، به‌روزرسانی می‌کنیم. ⦁ مراحل 3 و 4 را تکرار می‌کنیم تا مراکز خوشه‌ها تغییر قابل توجهی نکنند یا به حداکثر تعداد تکرار برسیم. الگوریتم K-Medoids: شبیه K-Means است، اما به جای میانگین نقاط، از یک نقطه داده واقعی از خوشه به عنوان مرکز (medoid) استفاده می‌کند. این کار باعث می‌شود K-Medoids نسبت به نویز و نقاط پرت مقاوم‌تر باشد. 🧠 کاربردها: بخش‌بندی مشتریان (Customer Segmentation)، فشرده‌سازی تصویر (Image Compression)، تحلیل اسناد (Document Analysis)، خوشه‌بندی ژن‌ها (Gene Clustering). 2️⃣ خوشه‌بندی سلسله مراتبی (Hierarchical Clustering) این روش‌ها ساختار درختی (دندروگرام) از خوشه‌ها ایجاد می‌کنند که نشان‌دهنده روابط سلسله مراتبی بین خوشه‌هاست. نیازی به تعیین تعداد خوشه‌ها از قبل نیست و می‌توان با "برش" دندروگرام در سطوح مختلف، تعداد خوشه‌های دلخواه را انتخاب کرد. روش تجمعی (Agglomerative): ⦁ ابتدا هر نقطه داده را یک خوشه مجزا در نظر می‌گیرد. ⦁ در هر مرحله، دو نزدیک‌ترین خوشه را با هم ادغام می‌کند. معیار نزدیکی می‌تواند انواع مختلفی داشته باشد (Single Linkage، Complete Linkage، Average Linkage، Ward's Method و...). ⦁ این فرایند تا زمانی ادامه می‌یابد که همه نقاط در یک خوشه بزرگ قرار گیرند. تقسیمی (Divisive): ⦁ ابتدا همه نقاط را در یک خوشه بزرگ در نظر می‌گیرد. ⦁ در هر مرحله، خوشه را به دو زیرخوشه تقسیم می‌کند. ⦁ این فرایند تا زمانی ادامه می‌یابد که هر نقطه داده یک خوشه مجزا باشد. (کمتر از Agglomerative رایج است) 🧠 کاربردها: طبقه‌بندی بیولوژیکی (Biological Taxonomy)، تحلیل خوشه‌ای در ژنتیک (Genetics Clustering), تحلیل شبکه های اجتماعی (Social Network Analysis). #مطلب_علمی 📊@shustats    انجمن علمی آمار دانشگاه شیراز

📌  وبینار آمار در صنعت (2) 🚀 در این دوره از سلسله وبینارهای "آمار در صنعت"، موضوعاتی جذاب و کاربردی را برای بررسی ارائه خواهیم داد،که به شما در اتخاذ بهترین تصمیمات در دنیای پیچیده و رقابتی بازارها کمک خواهد کرد. 🗓 تاریخ برگزاری: پنجشنبه 1404/10/11 🕒 ساعت: 17:30 الی 19:00 👩‍💻سخنران: سرکار خانم حانیه رحمتی Data Analyst At Snapp Food 📄برخی از مباحث مهم مورد بحث در این وبینار: 🟣چگونه میتوان از روش های تجزیه و‌ تحلیل داده ها برای بهبود فرآیند های تصمیم گیری استفاده کرد؟ 🟣نقش آمار در پیش بینی و تصمیم گیری در علم داده چگونه است؟ 🟣یادگیری چه مهارت هایی رو در دوره کارشناسی پیشنهاد میکنید!؟ 🟣مهارت های لازم برای دانشجویان آماری برای ورود به بازار کار در حوزه تحلیل داده چیست؟ ✅ ثبت نام #آمار_در_صنعت 📊@shustats    انجمن علمی آمار دانشگاه شیراز

#میم 📊@shustats    انجمن علمی آمار دانشگاه شیراز