Build your ultimate AI agent
Описание курса
По-настоящему разберитесь в проверке гипотез
Что происходит после того, как вы вычислите средние значения и построите графики? Как перейти от описательной статистики к уверенным решениям? Как можно применять проверку гипотез для решения реальных задач? В этом четырехчасовом курсе по основам статистического вывода в Python вы получите практический опыт в формулировании обоснованных выводов на основе данных. Вы узнаете всё о выборке и поймёте, как неправильная выборка может сбить статистический вывод с курса.Анализируйте широкий спектр сценариев
Вы начнёте с работы с тестами гипотез на нормальность и корреляцию, а также с параметрическими и непараметрическими тестами. Вы будете запускать эти тесты с помощью SciPy и интерпретировать их результаты для принятия решений.Далее вы научитесь измерять силу результата с помощью размера эффекта и статистической мощности, одновременно избегая ложных корреляций за счёт применения поправок.Наконец, вы будете использовать моделирование, рандомизацию и метаанализ для работы с широким спектром данных, включая повторный анализ результатов других исследователей.Делайте обоснованные выводы на основе больших данных
По завершении курса вы сможете успешно работать с большими данными и использовать их для принятия обоснованных решений, на которые руководители могут положиться. Вы выйдете далеко за рамки графиков и сводной статистики, чтобы получать надежные, воспроизводимые и объяснимые результаты.Предварительные требования
Программа
Структура курса
1
Статистический вывод и выборка
В этой главе мы рассмотрим связь между выборками и статистически обоснованными выводами. Выбор выборки лежит в основе грамотных статистических решений, и мы разберём, как он влияет на результаты статистического вывода.
- Статистический вывод и случайная выборка50 XP
- Выборка и точечные оценки100 XP
- Повторная выборка, точечные оценки и вывод100 XP
- Выборка и смещение50 XP
- Визуализация выборок100 XP
- Вывод и смещение100 XP
- Доверительные интервалы и выборка50 XP
- Нормальные выборочные распределения100 XP
- Вычисление доверительных интервалов100 XP
- Выводы на основе выборок100 XP
2
Инструменты проверки гипотез
Вы узнаете, как применять критерии нормальности, корреляционные тесты, а также параметрические и непараметрические методы для корректного статистического вывода. Критерии проверки гипотез — это инструменты, и правильный выбор среди них имеет ключевое значение для принятия статистических решений. Даже если вы уже знакомы с некоторыми из этих методов по вводным курсам, в этой главе вы углубите свои знания и расширите арсенал инструментов вывода.
3
Размер эффекта
В этой главе вы научитесь измерять и интерпретировать размер эффекта в различных ситуациях, познакомитесь с проблемой множественных сравнений и подробно изучите мощность статистического критерия. P-значения сообщают о том, является ли эффект значимым, но не говорят о его силе. Размер эффекта показывает, насколько сильное влияние оказывает воздействие. В этой главе вы освоите факторы, лежащие в основе размера эффекта.
4
Симуляция, рандомизация и мета-анализ
Вы продолжите расширять свой инструментарий статистического вывода: познакомитесь с бутстрэпом, перестановочными критериями и методами объединения свидетельств на основе p-значений. Бутстрэп станет вашим первым шагом в мир статистического моделирования. В уроке по мета-анализу вы узнаете, как объединять результаты нескольких исследований. Завершит главу знакомство с перестановочными критериями — мощным и гибким непараметрическим статистическим инструментом.
Основы статистического вывода на Python
Курс
завершён
