After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Завершив курс «Статистическое мышление на Python (часть 1)», вы освоили вероятностный подход и базовые навыки статистики для анализа данных. В этом курсе вы продолжите развивать свой инструментарий, чтобы решать две ключевые задачи статистического вывода: оценку параметров и проверку гипотез. Обучение строится на реальных данных и завершается анализом измерений клювов знаменитых вьюрков Дарвина. По итогам курса вы получите новые знания и богатый практический опыт, который поможет вам уверенно решать собственные задачи статистического вывода.
Предварительные требования
Программа
Структура курса
1
Оценка параметров методом оптимизации
В статистическом выводе мы работаем в терминах теории вероятностей. Распределение вероятностей, описывающее ваши данные, задаётся параметрами. Поэтому одна из главных задач статистического вывода — оценить значения этих параметров, чтобы точно и однозначно описать данные и сделать обоснованные выводы. В этой главе вы научитесь находить оптимальные параметры, наилучшим образом описывающие ваши данные.
- Оптимальные параметры50 XP
- Как часто случаются игры без хитов?100 XP
- Соответствуют ли данные нашей модели?100 XP
- Почему этот параметр является оптимальным?100 XP
- Линейная регрессия методом наименьших квадратов50 XP
- Разведочный анализ данных о грамотности и рождаемости100 XP
- Линейная регрессия100 XP
- Почему это оптимально?100 XP
- Важность разведочного анализа данных: квартет Энскомба50 XP
- Важность разведочного анализа данных50 XP
- Линейная регрессия на подходящих данных из квартета Энскомба100 XP
- Линейная регрессия для всех наборов данных Энскомба100 XP
2
Доверительные интервалы методом бутстрэпа
Выражение «вытащить себя за шнурки собственных ботинок» означает решить сложную задачу в одиночку, без какой-либо помощи. В статистическом выводе нас интересует, что произошло бы, если бы мы могли бесконечно повторять сбор данных. Это невозможно на практике, но можно ли, используя только имеющиеся данные, получить результат, близкий к результату бесчисленных экспериментов? Да! Соответствующий метод так и называется — бутстрэп. В этой главе вы познакомитесь с этим исключительно мощным инструментом.
3
Введение в проверку гипотез
Теперь вы умеете определять параметры модели и оценивать их. Но остаётся открытым вопрос: насколько правдоподобны наблюдаемые данные, если модель верна? На него отвечают проверки гипотез — завершающий и важнейший элемент статистического вывода. После изучения этой главы вы сможете грамотно формулировать и проверять гипотезы с помощью методов статистики.
4
Примеры проверки гипотез
Как вы убедились в предыдущей главе, проверка гипотез требует аккуратности. Нужно сформулировать нулевую гипотезу, определить способ её моделирования и чётко задать критерий «экстремальности» для вычисления p-значения. Как и любой навык, это оттачивается практикой — а данная глава предоставит вам её в полной мере.
5
Всё вместе: практический пример
Более сорока лет подряд Питер и Розмари Грант приезжают на остров Дафне-Мейхор в Галапагосском архипелаге и собирают данные о вьюрках Дарвина. Применяя методы статистического вывода, вы проанализируете их данные и воочию убедитесь — через призму чисел — в том, как происходит эволюция. Это захватывающее завершение курса!
Статистическое мышление на Python (часть 2)
Курс
завершён
