700+ courses, half price
Descrierea cursului
După ce ai finalizat Gândire statistică în Python (Partea 1), ai deja o mentalitate probabilistică și un set solid de abilități statistice practice, care te ajută să explorezi seturi de date și să extragi informații valoroase din ele. În acest curs vei face exact asta: îți vei extinde și rafina instrumentele statistice pentru a realiza cele două sarcini esențiale ale inferenței statistice – estimarea parametrilor și testarea ipotezelor. Vei lucra cu seturi de date reale pe parcursul întregului curs, culminând cu analiza măsurătorilor ciocurilor celebrelor cinteze ale lui Darwin. La final, vei ieși din acest curs cu cunoștințe noi și multă practică acumulată, pregătit să abordezi propriile probleme de inferență statistică.
Cerințe prealabile
Programă
Planul cursului
1
Estimarea parametrilor prin optimizare
În inferența statistică, vorbim limbajul probabilității. O distribuție de probabilitate care descrie datele tale are parametri. Prin urmare, unul dintre obiectivele principale ale inferenței statistice este estimarea valorilor acestor parametri – ceea ce ne permite să descriem datele concis și fără ambiguitate, trăgând concluzii clare din ele. În acest capitol vei învăța cum să găsești parametrii optimi, adică aceia care descriu cel mai bine datele tale.
- Parametri optimi50 XP
- Cât de des se înregistrează meciuri fără lovituri reușite?100 XP
- Datele urmează modelul nostru?100 XP
- De ce este acest parametru optim?100 XP
- Regresie liniară prin metoda celor mai mici pătrate50 XP
- EDA a datelor privind alfabetizarea/fertilitatea100 XP
- Regresie liniară100 XP
- De ce este optimal?100 XP
- Importanța EDA: cuarteta lui Anscombe50 XP
- Importanța AED50 XP
- Regresie liniară pe datele potrivite din cuarteta Anscombe100 XP
- Regresie liniară pe toate datele Anscombe100 XP
2
Intervale de încredere prin bootstrap
În inferența statistică, ne dorim să știm ce s-ar întâmpla dacă am putea repeta colectarea datelor de un număr infinit de ori. Această sarcină este imposibilă în practică – dar putem folosi doar datele pe care le avem deja pentru a obține un rezultat aproape echivalent cu cel al unei infinități de experimente? Răspunsul este da! Tehnica prin care realizăm acest lucru se numește, în mod sugestiv, bootstrapping. Acest capitol îți va prezenta acest instrument extraordinar de puternic.
3
Introducere în testarea ipotezelor
Știi deja cum să definești și să estimezi parametrii unui model. Însă rămâne o întrebare esențială: cât de rezonabil este să observi datele tale dacă un anumit model este adevărat? Această întrebare este abordată prin teste de ipoteză. Ele reprezintă piesa de rezistență a inferenței statistice. După ce vei finaliza acest capitol, vei fi capabil să construiești și să testezi ipoteze cu rigoare, folosind metode statistice practice.
4
Exemple de teste de ipoteză
După cum ai văzut în capitolul anterior, testarea ipotezelor poate fi uneori dificilă. Trebuie să definești ipoteza nulă, să găsești o modalitate de a o simula și să stabilești clar ce înseamnă o valoare „mai extremă", pentru a putea calcula p-valoarea. Ca orice abilitate, practica duce la perfecțiune – iar acest capitol îți oferă o bună ocazie de a exersa testele de ipoteză.","chapter4.md|parsed_data|description":"Ca orice abilitate, practica duce la perfecțiune – iar acest capitol îți oferă o bună ocazie de a exersa testele de ipoteză.
5
Totul laolaltă: un studiu de caz
În fiecare an, de peste 40 de ani, Peter și Rosemary Grant merg pe insula Daphne Major din Arhipelagul Galápagos și colectează date despre cintezele lui Darwin. Folosindu-ți abilitățile de inferență statistică, vei petrece acest capitol lucrând cu datele lor, urmărind direct prin date evoluția în acțiune. Este o modalitate captivantă de a încheia cursul!
Gândire statistică în Python (Partea 2)
Curs
finalizat
