Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
När du väl har samlat in data och bearbetat dem till ett användbart format vill du kunna dra tydliga och välgrundade slutsatser från dem. Det avgörande sista steget i en dataanalys bygger på principerna för statistisk inferens. I den här kursen lägger du grunden för att tänka statistiskt, förstå ditt datas språk och tolka vad data faktiskt berättar. Det tog decennier att bygga upp det statistiska tänkandets grunder – men med hjälp av datorer kan du ta till dig dem mycket snabbare. Med Pythons kraftfulla verktyg kommer du snabbt att komma igång och börja tänka statistiskt redan innan kursen är slut.
Förkunskapskrav
Kursplan
Kursöversikt
1
Grafisk explorativ dataanalys
Innan du går vidare till avancerade tekniker för statistisk inferens bör du först utforska dina data genom att visualisera dem och beräkna enkla sammanfattande mått. Den här processen – explorativ dataanalys – är ett viktigt första steg i all statistisk analys av data.
- Introduktion till explorativ dataanalys50 XP
- Vad är målet med statistisk inferens?50 XP
- Fördelar med grafisk EDA50 XP
- Plotta ett histogram50 XP
- Plotta ett histogram över irisdata100 XP
- Axeletiketter!100 XP
- Justera antalet staplar i ett histogram100 XP
- Plotta all din data: Bee swarm-plottar50 XP
- Bee swarm-diagram100 XP
- Tolka ett bi-svärmsdiagram50 XP
- Visualisera all din data: ECDF-kurvor50 XP
- Beräkna ECDF100 XP
- Rita ECDF:n100 XP
- Jämförelse av ECDF:er100 XP
- Vidare mot hela bilden!50 XP
2
Kvantitativ explorativ dataanalys
I det här kapitlet beräknar du användbara sammanfattande mått som på ett kortfattat sätt beskriver de viktigaste egenskaperna hos en datamängd med hjälp av ett fåtal tal.
3
Probabilistiskt tänkande – diskreta variabler
Statistisk inferens vilar på sannolikhetsteori. Eftersom vi sällan kan säga något meningsfullt med absolut säkerhet utifrån data använder vi ett sannolikhetsbaserat språk för att göra kvantitativa påståenden om data. I det här kapitlet lär du dig att tänka probabilistiskt kring diskreta storheter – sådana som bara kan anta vissa värden, till exempel heltal.
4
Probabilistiskt tänkande – kontinuerliga variabler
Nu är det dags att gå vidare till kontinuerliga variabler, det vill säga sådana som kan anta vilket bråkvärde som helst. Många av principerna är desamma, men det finns vissa skillnader att känna till. I slutet av det här avslutande kapitlet behärskar du det probabilistiska språk du behöver för att ta dig an inferensteknikerna i kursens fortsättning.
Statistiskt tänkande i Python (del 1)
Kurs
slutförd
