Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Nach all der Arbeit, Daten zu beschaffen und in eine bearbeitbare Form zu bringen, willst du am Ende klare, prägnante Schlussfolgerungen ziehen. Dieser entscheidende letzte Schritt in der Datenanalyse beruht auf den Prinzipien der statistischen Inferenz. In diesem Kurs legst du das Fundament, um statistisch zu denken, die Sprache deiner Daten zu sprechen und zu verstehen, was sie dir sagen. Die Grundlagen des statistischen Denkens haben Jahrzehnte gebraucht, um zu entstehen, lassen sich heute dank Computern aber viel schneller begreifen. Mit der Power von Python-basierten Tools bist du schnell auf Stand und denkst bis zum Ende dieses Kurses statistisch.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Grafische explorative Datenanalyse
Bevor du in ausgefeilte Verfahren der statistischen Inferenz einsteigst, solltest du deine Daten zunächst erkunden, indem du sie visualisierst und einfache Kennzahlen berechnest. Dieser Prozess, die explorative Datenanalyse, ist der entscheidende erste Schritt bei der statistischen Auswertung von Daten.
- Einführung in die explorative Datenanalyse50 XP
- Was ist das Ziel statistischer Inferenz?50 XP
- Vorteile der grafischen EDA50 XP
- Ein Histogramm erstellen50 XP
- Ein Histogramm von Iris-Daten zeichnen100 XP
- Achsenbeschriftungen!100 XP
- Die Anzahl der Bins in einem Histogramm anpassen100 XP
- Zeige alle deine Daten: Beeswarm-Plots50 XP
- Bee-Swarm-Plot100 XP
- Einen Bee-Swarm-Plot interpretieren50 XP
- Zeige alle deine Daten: ECDFs50 XP
- ECDF berechnen100 XP
- Die ECDF plotten100 XP
- Vergleich von ECDFs100 XP
- Weiter zur ganzen Geschichte!50 XP
2
Quantitative explorative Datenanalyse
In diesem Kapitel berechnest du nützliche Kennzahlen, die die wichtigsten Merkmale eines Datensatzes mit wenigen Zahlen prägnant beschreiben.
3
Wahrscheinlichkeitsbasiertes Denken – diskrete Variablen
Statistische Inferenz basiert auf Wahrscheinlichkeit. Weil wir aus Daten nur sehr selten etwas mit absoluter Sicherheit sagen können, verwenden wir probabilistische Sprache, um quantitative Aussagen zu treffen. In diesem Kapitel lernst du, probabilistisch über diskrete Größen nachzudenken: solche, die nur bestimmte Werte annehmen können, etwa ganze Zahlen.
4
Wahrscheinlichkeitsbasiertes Denken – stetige Variablen
Jetzt geht es weiter mit stetigen Variablen, also solchen, die jeden beliebigen Bruchwert annehmen können. Viele Prinzipien sind gleich, aber es gibt einige Feinheiten. Am Ende dieses letzten Kapitels sprichst du die probabilistische Sprache, die du brauchst, um mit den Inferenztechniken im Folgekurs durchzustarten.
Statistical Thinking in Python (Teil 1)
Kurs
abgeschlossen
