After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Il campionamento in Python è la pietra angolare dell’inferenza statistica e dei test d’ipotesi. È una competenza potente usata nell’analisi dei sondaggi e nella progettazione degli esperimenti per trarre conclusioni senza dover esaminare l’intera popolazione. In questo corso su Sampling in Python scoprirai quando usare il campionamento e come eseguire i tipi più comuni di campionamento — dal campionamento casuale semplice a metodi più complessi come il campionamento stratificato e a grappolo. Utilizzando insiemi di dati reali, tra cui valutazioni del caffè, brani di Spotify e turnover del personale, imparerai a stimare le statistiche di popolazione e a quantificare l’incertezza delle tue stime generando distribuzioni campionarie e distribuzioni bootstrap.
Prerequisiti
Curriculum
Programma del corso
1
Introduzione al campionamento
Scopri cos’è il campionamento e perché è così potente. Vedrai anche i problemi causati dal campionamento di convenienza e le differenze tra vera casualità e pseudocasualità.
- Campionamento e stime puntuali50 XP
- Perché campionare50 XP
- Campionamento semplice con pandas100 XP
- Campionamento semplice e calcoli con NumPy100 XP
- Campionamento per convenienza50 XP
- I risultati del campione sono generalizzabili?100 XP
- Questi risultati sono generalizzabili?100 XP
- Generazione di numeri pseudo-casuali50 XP
- Generare numeri casuali100 XP
- Capire i semi casuali (random seeds)100 XP
2
Metodi di campionamento
È il momento di mettere le mani in pasta ed eseguire in Python quattro metodi di campionamento casuale: semplice, sistematico, stratificato e a grappolo.
3
Distribuzioni campionarie
Metti alla prova il tuo campionamento. In questo capitolo scoprirai come quantificare l’accuratezza delle statistiche campionarie usando gli errori relativi e come misurare la variabilità delle tue stime generando distribuzioni campionarie.
4
Distribuzioni bootstrap
Prenderai dimestichezza con il ricampionamento per eseguire il bootstrapping e stimare la variabilità in una popolazione sconosciuta. Imparerai la differenza tra distribuzioni campionarie e distribuzioni bootstrap usando il ricampionamento.
Campionamento in Python
Corso
completato
