После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
При работе с данными, содержащими множество переменных, нас часто интересует изучение взаимосвязей между ними с помощью методов многомерной статистики. В этом курсе вы освоите способы анализа таких наборов данных. Вы познакомитесь с распространёнными многомерными вероятностными распределениями: многомерным нормальным, многомерным t-распределением и некоторыми многомерными скошенными распределениями. Затем вы изучите методы представления многомерных данных в пространстве меньшей размерности, включая метод главных компонент (PCA) и многомерное шкалирование (MDS).
Предварительные требования
Программа
План курса
1
Чтение и визуализация многомерных данных
В этом вводном разделе вы узнаете, как читать и обобщать многомерные данные. Вы научитесь описывать их с помощью описательных статистик: вектора средних, матрицы ковариаций и матрицы корреляций. Затем вы изучите методы визуализации, которые помогают выявлять закономерности в многомерных данных.
- Чтение многомерных данных50 XP
- Чтение многомерных данных с помощью read.table100 XP
- Указание типов данных для столбцов100 XP
- Вектор средних и матрица дисперсий-ковариаций50 XP
- Вычисление вектора средних100 XP
- Вычисление матрицы дисперсий-ковариаций100 XP
- Вычисление матрицы корреляций100 XP
- Визуализация многомерных данных50 XP
- Матрица диаграмм рассеяния: base graphics и lattice100 XP
- Техники трёхмерного построения графиков100 XP
2
Многомерное нормальное распределение
В этой главе вы познакомитесь с наиболее важным и широко используемым многомерным вероятностным распределением — многомерным нормальным. Вы научитесь генерировать случайные выборки из многомерного нормального распределения, а также вычислять и строить графики плотностей и вероятностей для этого распределения. Кроме того, вы узнаете, как проверить, подчиняется ли набор данных многомерному нормальному закону.
3
Другие многомерные распределения
В этой главе рассматривается ряд вероятностных распределений для моделирования данных, не подчиняющихся нормальному закону. В частности, вы познакомитесь с многомерными t-распределениями, которые позволяют моделировать более тяжёлые хвосты и являются обобщением одномерного t-распределения Стьюдента. Вы также изучите различные скошенные распределения, специально предназначенные для моделирования данных с правой или левой асимметрией.
4
Метод главных компонент и многомерное шкалирование
В заключительной главе вы познакомитесь с методами анализа многомерных данных: методом главных компонент (PCA) и многомерным шкалированием (MDS). Вы также научитесь применять эти методы на практике при анализе реальных данных.
R
Многомерные вероятностные распределения в R
Курс
завершён
