After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Na het voltooien van Statistical Thinking in Python (deel 1) heb je de probabilistische mindset en de basis van hackerstatistiek om in gegevenssets te duiken en er bruikbare informatie uit te halen. In deze cursus ga je precies dat doen: je breidt je gereedschapskist voor hackerstatistiek uit en scherpt die aan om de twee kerntaken van statistische inferentie uit te voeren: parameterinschatting en hypothesetoetsing. Je werkt met echte gegevenssets terwijl je leert, met als afsluiting een analyse van metingen van de snavels van Darwins beroemde vinken. Je rondt deze cursus af met nieuwe kennis en veel oefening, zodat je klaar bent om je eigen inferentieproblemen in de praktijk aan te pakken.
Vereisten
Curriculum
Cursusoverzicht
1
Parameterinschatting via optimalisatie
Bij statistische inferentie spreken we de taal van de kansrekening. Een kansverdeling die je gegevens beschrijft, heeft parameters. Een belangrijk doel van statistische inferentie is dus het schatten van de waarden van deze parameters. Daarmee kun je je gegevens bondig en eenduidig beschrijven en er conclusies uit trekken. In dit hoofdstuk leer je hoe je de optimale parameters vindt: die welke je gegevens het best beschrijven.
- Optimale parameters50 XP
- Hoe vaak komen no-hitters voor?100 XP
- Volgen de data ons verhaal?100 XP
- Waarom is deze parameter optimaal?100 XP
- Lineaire regressie met kleinste kwadraten50 XP
- EDA van geletterdheid/vruchtbaarheid100 XP
- Lineaire regressie100 XP
- Hoe is het optimaal?100 XP
- Het belang van EDA: het kwartet van Anscombe50 XP
- Het belang van EDA50 XP
- Lineaire regressie op geschikte Anscombe-gegevens100 XP
- Lineaire regressie op alle Anscombe-gegevens100 XP
2
Bootstrap-betrouwbaarheidsintervallen
Zichzelf "aan de eigen veters uit het moeras trekken" is een klassieke uitdrukking die betekent dat je een moeilijke taak helemaal op eigen kracht uitvoert. Bij statistische inferentie wil je weten wat er zou gebeuren als je je dataverzameling oneindig vaak kon herhalen. Dat is onmogelijk, maar kunnen we met alleen de gegevens die we daadwerkelijk hebben toch dicht in de buurt komen van het resultaat van ontelbare experimenten? Het antwoord is ja! De techniek hiervoor heet terecht bootstrapping. In dit hoofdstuk maak je kennis met dit buitengewoon krachtige hulpmiddel.
3
Introductie tot hypothesetoetsing
Je weet nu hoe je, gegeven een model, parameters definieert en schat. Maar de vraag blijft: hoe redelijk is het om je gegevens te observeren als het model waar is? Die vraag pak je aan met hypothesetoetsen. Ze zijn de kers op de inferentietaart. Na dit hoofdstuk kun je zorgvuldig hypothesen opstellen en toetsen met hackerstatistiek.
4
Voorbeelden van hypothesetoetsen
Zoals je in het vorige hoofdstuk zag, kan hypothesetoetsen best lastig zijn. Je moet de nulhypothese definiëren, uitvogelen hoe je die simuleert en duidelijk vastleggen wat "extremer" betekent om de p-waarde te berekenen. Zoals met elke vaardigheid geldt: oefening baart kunst. In dit hoofdstuk krijg je waardevolle oefening met hypothesetoetsen.
5
Alles samenbrengen: een casestudy
Al meer dan 40 jaar gaan Peter en Rosemary Grant elk jaar naar het Galápagos-eiland Daphne Major om gegevens te verzamelen over Darwins vinken. Met je vaardigheden in statistische inferentie ga je in dit hoofdstuk met hun data aan de slag en zie je van dichtbij, via data, evolutie in actie. Een spannende manier om de cursus af te sluiten!
Statistical Thinking in Python (deel 2)
Cursus
voltooid
