After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
कोर्स विवरण
परिकल्पना परीक्षणों को वास्तव में समझें
अपने औसत निकालने और अपने ग्राफ़ बनाने के बाद क्या होता है? वर्णनात्मक सांख्यिकी से आत्मविश्वासपूर्ण निर्णय-निर्माण तक आप कैसे पहुँचते हैं? वास्तविक दुनिया की समस्याओं को हल करने के लिए आप परिकल्पना परीक्षणों का उपयोग कैसे कर सकते हैं? Python में अनुमान की नींव पर इस चार घंटे के पाठ्यक्रम में, आप डेटा के आधार पर सही निष्कर्ष निकालने का व्यावहारिक अनुभव प्राप्त करेंगे। आप सैंपलिंग के बारे में सब कुछ सीखेंगे और जानेंगे कि गलत सैंपलिंग कैसे सांख्यिकीय निष्कर्ष को पाठ्यक्रम से भटका सकती है।विभिन्न प्रकार के परिदृश्यों का विश्लेषण करें
आप सामान्यता और सहसंबंध के लिए परिकल्पना परीक्षणों के साथ, साथ ही पैरामीट्रिक और गैर-पैरामीट्रिक दोनों परीक्षणों के साथ काम करना शुरू करेंगे। आप इन परीक्षणों को SciPy का उपयोग करके चलाएँगे, और निर्णय लेने के लिए उनके आउटपुट की व्याख्या करेंगे।इसके बाद, आप प्रभाव आकार और सांख्यिकीय शक्ति का उपयोग करके किसी परिणाम की शक्ति को मापेंगे, और साथ ही सुधार लागू करके झूठे सहसंबंधों से बचेंगे।अंत में, आप सिमुलेशन, रैंडमाइज़ेशन और मेटा-विश्लेषण का उपयोग करके डेटा की एक विस्तृत श्रृंखला के साथ काम करेंगे, जिसमें अन्य शोधकर्ताओं के परिणामों का पुनः-विश्लेषण भी शामिल है।बिग डेटा से ठोस निष्कर्ष निकालें
पाठ्यक्रम के बाद, आप बड़े डेटा का सफलतापूर्वक उपयोग करके ऐसे सिद्धांत-आधारित निर्णय लेने में सक्षम होंगे जिन पर नेता भरोसा कर सकें। आप ग्राफ़ और सारांश सांख्यिकी से कहीं आगे बढ़कर विश्वसनीय, दोहराए जा सकने वाले, और व्याख्येय परिणाम तैयार करेंगे।पूर्वापेक्षाएँ
पाठ्यक्रम
कोर्स रूपरेखा
1
अनुमानात्मक आँकड़े और सैंपलिंग
इस अध्याय में, हम सैंपल्स और सांख्यिकीय रूप से उचित निष्कर्षों के बीच संबंध को समझेंगे। सही सैंपल चुनना ठोस सांख्यिकीय निर्णयों की नींव है, और हम देखेंगे कि सैंपल की पसंद आपके अनुमान के नतीजों को कैसे प्रभावित करती है.
- सांख्यिकीय अनुमान और रैंडम सैंपलिंग50 XP
- Sampling और point estimates100 XP
- बार-बार सैंपलिंग, पॉइंट एस्टीमेट्स और इनफ़ेरेंस100 XP
- सैंपलिंग और पक्षपात50 XP
- सैंपल्स का विज़ुअलाइज़ेशन100 XP
- Inference और bias100 XP
- कॉन्फिडेंस इंटरवल्स और सैंपलिंग50 XP
- Normal sampling distributions100 XP
- Confidence intervals की गणना100 XP
- सैंपल से निष्कर्ष निकालना100 XP
2
हाइपोथिसिस टेस्टिंग टूलकिट
नॉर्मैलिटी टेस्ट्स, कॉरिलेशन टेस्ट्स, और पैरामीट्रिक व नॉन-पैरामीट्रिक टेस्ट्स को सही अनुमान के लिए लागू करना सीखें। हाइपोथिसिस टेस्ट्स उपकरण हैं, और काम के लिए सही उपकरण चुनना सांख्यिकीय निर्णय लेने में बेहद अहम है। हालाँकि आप इनमें से कुछ टेस्ट्स से प्रारंभिक कोर्सों में परिचित रहे होंगे, इस अध्याय में आप और गहराई में जाकर अपना इंफेरेंशियल टूलकिट मजबूत करेंगे.
3
इफ़ेक्ट साइज
इस अध्याय में, आप अलग-अलग परिस्थितियों में इफ़ेक्ट साइज को मापेंगे और उसकी व्याख्या करेंगे, मल्टिपल कंपैरिज़न्स समस्या से रू-ब-रू होंगे, और किसी टेस्ट की पावर को गहराई से समझेंगे। p-values आपको यह बताते हैं कि कोई महत्वपूर्ण प्रभाव है या नहीं, लेकिन वे यह नहीं बताते कि वह प्रभाव कितना मज़बूत है। इफ़ेक्ट साइज बताता है कि किसी ट्रीटमेंट का प्रभाव कितना बड़ा है। इस अध्याय में इफ़ेक्ट साइज को निर्धारित करने वाले कारकों पर महारत हासिल करें.
4
सिमुलेशन, रैंडमाइज़ेशन, और मेटा-एनालिसिस
आप अपना इंफेरेंशियल स्टैटिस्टिक्स टूलकिट और आगे बढ़ाएँगे: बूटस्ट्रैपिंग, परमीटेशन टेस्ट्स, और p-values से साक्ष्य जोड़ने की विधियों के साथ। बूटस्ट्रैपिंग आपको सांख्यिकीय सिमुलेशन की पहली झलक देगा। मेटा-एनालिसिस वाले लेसन में, आप कई स्टडीज़ के परिणामों को जोड़ना सीखेंगे। अंत में, आप परमीटेशन टेस्ट्स पर नजर डालेंगे, जो एक शक्तिशाली और लचीला नॉन-पैरामीट्रिक सांख्यिकीय टूल है.
Python में अनुमान का आधार
कोर्स
पूरा
