Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Po żmudnym procesie pozyskiwania danych i doprowadzania ich do użytecznej postaci nadchodzi czas na wyciągnięcie jasnych i zwięzłych wniosków. Ten kluczowy etap analizy danych opiera się na zasadach wnioskowania statystycznego. W tym kursie zaczniesz budować fundament niezbędny do statystycznego myślenia – nauczysz się rozumieć język danych i interpretować to, co dane mają ci do powiedzenia. Podstawy myślenia statystycznego kształtowały się przez dziesięciolecia, ale dziś – dzięki komputerom – można je przyswoić znacznie szybciej. Korzystając z narzędzi dostępnych w Pythonie, błyskawicznie nadrobisz zaległości i już pod koniec tego kursu zaczniesz myśleć statystycznie.
Wymagania wstępne
Program nauczania
Plan kursu
1
Graficzna eksploracja danych
Zanim przejdziesz do zaawansowanych technik wnioskowania statystycznego, warto najpierw zbadać dane – tworząc wykresy i obliczając proste statystyki opisowe. Ten proces, zwany eksploracyjną analizą danych, to niezbędny pierwszy krok w statystycznej analizie danych.
- Wprowadzenie do eksploracyjnej analizy danych50 XP
- Jaki jest cel wnioskowania statystycznego?50 XP
- Zalety graficznej EDA50 XP
- Tworzenie histogramu50 XP
- Rysowanie histogramu danych iris100 XP
- Etykiety osi!100 XP
- Dostosowywanie liczby przedziałów w histogramie100 XP
- Wykreślaj wszystkie dane: wykresy roju pszczół50 XP
- Wykres roju pszczół100 XP
- Interpretacja wykresu roju pszczół50 XP
- Przedstaw wszystkie dane: ECDF50 XP
- Obliczanie ECDF100 XP
- Rysowanie wykresu ECDF100 XP
- Porównanie ECDF100 XP
- Naprzód – ku pełnemu obrazowi!50 XP
2
Ilościowa eksploracja danych
W tym rozdziale obliczysz przydatne statystyki opisowe, które pozwalają zwięźle scharakteryzować najważniejsze cechy zbioru danych za pomocą kilku liczb.
3
Myślenie probabilistyczne – zmienne dyskretne
Wnioskowanie statystyczne opiera się na rachunku prawdopodobieństwa. Ponieważ na podstawie danych bardzo rzadko możemy stwierdzić cokolwiek z całkowitą pewnością, do formułowania ilościowych twierdzeń o danych używamy języka probabilistycznego. W tym rozdziale nauczysz się myśleć probabilistycznie o wielkościach dyskretnych – takich, które mogą przyjmować tylko określone wartości, na przykład całkowite.
4
Myślenie probabilistyczne – zmienne ciągłe
Czas przejść do zmiennych ciągłych – takich, które mogą przyjmować dowolne wartości ułamkowe. Wiele zasad pozostaje takich samych, choć pojawiają się pewne subtelności. Pod koniec tego ostatniego rozdziału będziesz sprawnie posługiwać się językiem probabilistycznym potrzebnym do nauki technik wnioskowania omówionych w kolejnej części kursu.
Myślenie statystyczne w Pythonie (część 1)
Kurs
ukończony
