Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Comprendre véritablement les tests d'hypothèse
Que se produit-il après avoir calculé vos moyennes et créé vos graphiques ? Comment passer des statistiques descriptives à une prise de décision fiable ? Comment pouvez-vous appliquer les tests d'hypothèse pour résoudre des problèmes concrets ? Au cours de cette formation de quatre heures sur les principes fondamentaux de l'inférence en Python, vous acquerrez une expérience pratique dans l'élaboration de conclusions pertinentes à partir de données. Vous apprendrez tout sur l'échantillonnage et découvrirez comment un échantillonnage inadéquat peut fausser les inférences statistiques.Analyser un large éventail de scénarios
Vous commencerez par travailler sur des tests d'hypothèse pour la normalité et la corrélation, ainsi que sur des tests paramétriques et non paramétriques. Vous effectuerez ces tests à l'aide de SciPy et interprétez leurs résultats afin de prendre des décisions.Ensuite, vous évaluerez la force d'un résultat à l'aide de la taille de l'effet et de la puissance statistique, tout en évitant les corrélations fallacieuses grâce à l'application de corrections.Enfin, vous utiliserez la simulation, la randomisation et la méta-analyse pour travailler avec un large éventail de données, y compris la réanalyse des résultats d'autres chercheurs.Tirer des conclusions solides à partir du Big Data
À l'issue de cette formation, vous serez en mesure d'exploiter efficacement le big data et de l'utiliser pour prendre des décisions éclairées sur lesquelles les dirigeants peuvent s'appuyer. Vous irez bien au-delà des graphiques et des statistiques sommaires pour produire des résultats fiables, reproductibles et explicables.Prérequis
Programme de formation
Plan du cours
1
Statistiques inférentielles et échantillonnage
Dans ce chapitre, nous explorerons la relation entre les échantillons et les conclusions statistiquement justifiables. Le choix d’un échantillon est la base d’une prise de décision statistique solide, et nous verrons comment ce choix influence le résultat de votre inférence.
- Inférence statistique et échantillonnage aléatoire50 XP
- Échantillonnage et estimations ponctuelles100 XP
- Échantillonnage répété, estimations ponctuelles et inférence100 XP
- Échantillonnage et biais50 XP
- Visualiser des échantillons100 XP
- Inférence et biais100 XP
- Intervalles de confiance et échantillonnage50 XP
- Distributions d’échantillonnage normales100 XP
- Calcul des intervalles de confiance100 XP
- Tirer des conclusions à partir d’échantillons100 XP
2
Boîte à outils des tests d’hypothèse
Apprenez à appliquer des tests de normalité, des tests de corrélation, ainsi que des tests paramétriques et non paramétriques pour une inférence fiable. Les tests d’hypothèse sont des outils, et choisir le bon outil pour la situation est essentiel à la décision statistique. Même si vous connaissez certains de ces tests grâce à des cours d’introduction, vous irez plus loin ici pour enrichir votre boîte à outils inférentielle.
3
Taille d’effet
Dans ce chapitre, vous mesurerez et interpréterez la taille d’effet dans différentes situations, vous aborderez le problème des comparaisons multiples et étudierez en profondeur la puissance d’un test. Les valeurs p indiquent si un effet significatif est présent, mais pas son intensité. La taille d’effet mesure l’ampleur de l’effet d’un traitement. Maîtrisez les facteurs qui sous-tendent la taille d’effet dans ce chapitre.
4
Simulation, randomisation et méta-analyse
Vous élargirez encore votre boîte à outils en statistiques inférentielles avec un aperçu du bootstrap, des tests de permutation et des méthodes de combinaison des preuves issues des valeurs p. Le bootstrap vous offrira une première approche de la simulation statistique. Dans la leçon consacrée à la méta-analyse, vous apprendrez à combiner les résultats de plusieurs études. Vous terminerez par les tests de permutation, un outil statistique non paramétrique puissant et flexible.
Fondements de l’inférence en Python
Cours
terminé
