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
L’échantillonnage en Python est la pierre angulaire des statistiques d’inférence et des tests d’hypothèse. Il s’agit d’une compétence puissante utilisée dans l’analyse d’enquêtes et la conception d’expériences pour tirer des conclusions sans interroger l’ensemble de la population. Dans ce cours sur l’échantillonnage en Python, vous découvrirez quand utiliser l’échantillonnage et comment effectuer les types d’échantillonnage courants, de l’échantillonnage aléatoire simple à des méthodes plus complexes comme l’échantillonnage stratifié et l’échantillonnage en grappes. À l’aide d’ensembles de données réels, tels que les scores de café, les chansons Spotify et l’attrition des employés, vous apprendrez à estimer les statistiques de la population et à quantifier l’incertitude de vos estimations en générant des distributions d’échantillonnage et des distributions Bootstrap.
Prérequis
Programme de formation
Plan du cours
1
Introduction à l’échantillonnage
Découvrez ce qu’est l’échantillonnage et pourquoi il est si puissant. Vous découvrirez également les problèmes posés par l’échantillonnage de commodité et les différences entre l’aléatoire vrai et le pseudo-aléatoire.
- Échantillonnage et estimations ponctuelles50 XP
- Raisons pour l’échantillonnage50 XP
- Échantillonnage simple avec pandas100 XP
- Echantillonnage et calcul simples avec NumPy100 XP
- Échantillonnage de commodité50 XP
- Les résultats de l’échantillon sont-ils généralisables ?100 XP
- Ces résultats sont-ils généralisables ?100 XP
- Génération de nombres pseudo-aléatoires50 XP
- Générer des nombres aléatoires100 XP
- Comprendre les graines aléatoires100 XP
2
Méthodes d’échantillonnage
Il est temps de passer à la pratique et d’exécuter les quatre méthodes d’échantillonnage aléatoire en Python : simple, systématique, stratifié et en grappes.
3
Distributions d’échantillonnage
Testons votre échantillonnage. Dans ce chapitre, vous découvrirez comment quantifier la précision des statistiques d’un échantillon à l’aide des erreurs relatives et comment mesurer la variation de vos estimations en générant des distributions d’échantillonnage.
4
Distributions Bootstrap
Vous vous familiariserez avec le rééchantillonnage pour effectuer une distribution Bootstrap et estimer la variation dans une population inconnue. Vous apprendrez la différence entre les distributions d’échantillonnage et les distributions Bootstrap en utilisant le rééchantillonnage.
L’échantillonnage en Python
Cours
terminé
