Build your ultimate AI agent
Opis kursu
Po ukończeniu kursu Myślenie statystyczne w Pythonie (część 1) masz już statystyczne podejście do danych i podstawowe umiejętności hacker stats, które pozwolą ci zgłębiać zbiory danych i wydobywać z nich przydatne informacje. W tym kursie zrobisz właśnie to – rozwiniesz i udoskonalisz swój warsztat, aby wykonać dwa kluczowe zadania wnioskowania statystycznego: estymację parametrów i testowanie hipotez. Podczas nauki będziesz pracować z prawdziwymi danymi, a kurs zakończy się analizą pomiarów dziobów słynnych zięb Darwina. Po ukończeniu kursu zdobędziesz nową wiedzę i solidną praktykę, gotowy do samodzielnego rozwiązywania własnych problemów wnioskowania statystycznego.
Wymagania wstępne
Program kursu
Plan kursu
1
Estymacja parametrów metodą optymalizacji
Wnioskowanie statystyczne posługuje się językiem prawdopodobieństwa. Rozkład prawdopodobieństwa opisujący twoje dane ma określone parametry. Głównym celem wnioskowania statystycznego jest zatem wyznaczenie wartości tych parametrów – dzięki temu możesz zwięźle i jednoznacznie opisać dane oraz wyciągać z nich wnioski. W tym rozdziale nauczysz się znajdować optymalne parametry, czyli takie, które najlepiej opisują twoje dane.
- Optymalne parametry50 XP
- Jak często zdarzają się no-hittery?100 XP
- Czy dane pasują do naszego modelu?100 XP
- Dlaczego ten parametr jest optymalny?100 XP
- Regresja liniowa metodą najmniejszych kwadratów50 XP
- EDA danych dotyczących piśmienności i dzietności100 XP
- Regresja liniowa100 XP
- Na czym polega optymalność?100 XP
- Znaczenie EDA: kwartet Anscombe'a50 XP
- Znaczenie EDA50 XP
- Regresja liniowa na odpowiednich danych z kwartetu Anscombe'a100 XP
- Regresja liniowa na wszystkich zbiorach danych Anscombe'a100 XP
2
Przedziały ufności metodą bootstrapową
W statystycznym wnioskowaniu chciałoby się wiedzieć, co by się stało, gdyby można było powtórzyć zbieranie danych nieskończoną liczbę razy. To oczywiście niemożliwe – ale czy dysponując tylko posiadanymi danymi, można uzyskać wyniki zbliżone do tych z nieskończonej liczby eksperymentów? Tak! Technika, która to umożliwia, nosi trafną nazwę bootstrappingu. Ten rozdział zapozna cię z tym niezwykle potężnym narzędziem.
3
Wprowadzenie do testowania hipotez
Wiesz już, jak definiować i estymować parametry przy danym modelu. Pozostaje jednak pytanie: na ile uzasadnione jest zaobserwowanie takich danych, jeśli model jest prawdziwy? To pytanie rozstrzygają testy hipotez – stanowią one zwieńczenie wnioskowania statystycznego. Po ukończeniu tego rozdziału będziesz potrafić starannie formułować i testować hipotezy przy użyciu metod hacker stats.
4
Przykłady testów hipotez
Jak widziałeś w poprzednim rozdziale, testowanie hipotez bywa nieco kłopotliwe. Trzeba zdefiniować hipotezę zerową, opracować sposób jej symulowania i jasno określić, co oznacza "bardziej ekstremalny" wynik, aby móc obliczyć wartość p. Jak w każdej dziedzinie, ćwiczenie czyni mistrza – ten rozdział daje ci solidną praktykę w testowaniu hipotez.
5
Wszystko razem: studium przypadku
Od ponad 40 lat Peter i Rosemary Grantowie co roku przyjeżdżają na galápagowską wyspę Daphne Major i zbierają dane dotyczące zięb Darwina. Korzystając ze swoich umiejętności w zakresie wnioskowania statystycznego, spędzisz ten rozdział z ich danymi i na własne oczy – przez pryzmat danych – zaobserwujesz ewolucję w działaniu. To znakomity finał kursu!
Myślenie statystyczne w Pythonie (część 2)
Kurs
ukończony
