Kurs
Versuchsplanung mit Python
MittelSchwierigkeitsgrad
Aktualisiert 06/2026
PythonProbability & Statistics4 Std.14 Videos47 Übungen3,700 XP14,536Leistungsnachweis
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
Beliebt bei Lernenden in Tausenden Unternehmen
Ein Team schulen?
Für Unternehmen ausprobierenKursbeschreibung
Versuchsaufbauten umsetzen
Lerne, wie du den für deinen Anwendungsfall am besten geeigneten Versuchsaufbau umsetzt. Lerne, wie randomisierte Blockdesigns und faktorielle Designs umgesetzt werden können, um Behandlungseffekte zu messen und valide und präzise Schlussfolgerungen zu ziehen.Statistische Auswertungen von Versuchsdaten durchführen
Vertiefung in die Durchführung von statistischen Analysen von Versuchsdaten, einschließlich der Auswahl und Durchführung von statistischen Tests wie t-Tests, ANOVA-Tests und Chi-Quadrat-Tests für Assoziationen. Führe eine Post-hoc-Analyse nach den ANOVA-Tests durch, um genau herauszufinden, welche paarweisen Vergleiche sich signifikant unterscheiden.Leistungsanalyse durchführen
Lerne, die Effektgröße zu messen, um festzustellen, um wie viel sich die Gruppen unterscheiden, abgesehen davon, dass sie sich signifikant unterscheiden. Führe eine Power-Analyse mit einer angenommenen Effektgröße durch, um die Mindeststichprobengröße zu ermitteln, die erforderlich ist, um die gewünschte statistische Power zu erreichen. Verwende die Cohen's d-Formel, um die Effektgröße für einige Stichprobendaten zu messen, und prüfe, ob die in der Power-Analyse verwendeten Annahmen zur Effektgröße richtig waren.Komplexität in experimentellen Daten berücksichtigen
Ziehe Erkenntnisse aus komplexen Versuchsdaten und lerne Best Practices für die Kommunikation von Ergebnissen an verschiedene Interessengruppen. Gehe auf komplexe Zusammenhänge wie Wechselwirkungen, Heteroskedastizität und Verwechslungen in experimentellen Daten ein, um die Gültigkeit deiner Schlussfolgerungen zu verbessern. Wenn die Daten die Annahmen parametrischer Tests nicht erfüllen, lernst du, einen geeigneten nichtparametrischen Test auszuwählen und anzuwenden.Voraussetzungen
Hypothesis Testing in Python1
Grundlagen der Versuchsplanung
Mit Wissen in Versuchsplanung kannst du Hypothesen mit bewährten Analysewerkzeugen testen und das Risiko deiner Arbeit quantifizieren. Du startest damit, die Grundlagen der Versuchsplanung und verschiedene Setups wie Blocking und Stratifikation zu verstehen. Anschließend lernst du visuelle und analytische Tests auf Normalverteilung bei Experimentdaten kennen und anwenden.
2
Techniken der Versuchsplanung
Du vertiefst dich in fortgeschrittene Techniken der Versuchsplanung, mit Fokus auf faktorielles Design, randomisierte Blockpläne und Kovariatenanpassung. Diese Methoden sind entscheidend, um Genauigkeit, Effizienz und Interpretierbarkeit von Experimentergebnissen zu verbessern. Durch eine Kombination aus theoretischen Einblicken und praktischen Anwendungen erwirbst du die Fähigkeiten, komplexe Experimente in verschiedenen Forschungsfeldern zu planen, umzusetzen und zu analysieren.
3
Analyse von Experimentdaten: Statistische Tests und Power
Beherrsche statistische Tests wie t-Tests, ANOVA und Chi-Quadrat, und tauche tief in Post-hoc-Analysen sowie die Grundlagen der Power-Analyse ein. Lerne, den richtigen Test auszuwählen, p-Werte und Fehler zu interpretieren und gekonnt Power-Analysen durchzuführen, um Stichproben- und Effektgrößen zu bestimmen – und nutze dabei die leistungsstarken Python-Bibliotheken, um deine Datenerkenntnisse zum Leben zu erwecken.
4
Erweiterte Erkenntnisse aus komplexen Experimenten
Steige ein in die Komplexitäten der Analyse von Experimentdaten. Lerne, Erkenntnisse mit pandas zu synthetisieren, Datenprobleme wie Heteroskedastizität mit scipy.stats anzugehen und nichtparametrische Tests wie Mann-Whitney-U anzuwenden. Entdecke weitere Techniken, um komplexe Daten zu transformieren, zu visualisieren und zu interpretieren – und stärke so deine Fähigkeit, robuste Analysen in unterschiedlichen Experiment-Settings durchzuführen.
Versuchsplanung mit Python
Kurs abgeschlossen
Leistungsnachweis verdienen
Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzuTeile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden
Schließe dich 19 Millionen Lernenden an und starte Versuchsplanung mit Python heute!
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
DataCamp gibt es auch für Mobilgeräte
Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.