After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
När du har slutfört Statistiskt tänkande i Python (del 1) har du det probabilistiska synsättet och de grundläggande kunskaperna i hacker-statistik som krävs för att dyka ner i datamängder och utvinna användbar information från dem. I den här kursen gör du just det – du bygger ut och förfinar din verktygslåda för hacker-statistik för att utföra de två centrala uppgifterna inom statistisk inferens: parameterestimering och hypotestestning. Du arbetar med verkliga datamängder under kursens gång, och avslutar med en analys av näbbmätningar från Darwins berömda finkar. Du lämnar kursen med ny kunskap och gedigen praktisk erfarenhet, redo att ta dig an egna inferensproblem.
Förkunskapskrav
Kursplan
Kursöversikt
1
Parameterestimering med optimering
Inom statistisk inferens talar vi sannolikhetens språk. En sannolikhetsfördelning som beskriver dina data har parametrar. Ett centralt mål inom statistisk inferens är därför att estimera värdena på dessa parametrar, vilket gör det möjligt att beskriva dina data på ett kortfattat och entydigt sätt och dra slutsatser från dem. I det här kapitlet lär du dig att hitta de optimala parametrarna – de som bäst beskriver dina data.
- Optimala parametrar50 XP
- Hur ofta ser vi no-hitters?100 XP
- Stämmer datan överens med vår modell?100 XP
- Varför är den här parametern optimal?100 XP
- Linjär regression med minsta kvadratmetoden50 XP
- EDA av data om läskunnighet och fertilitet100 XP
- Linjär regression100 XP
- Vad gör den optimal?100 XP
- Vikten av EDA: Anscombes kvartett50 XP
- Vikten av EDA50 XP
- Linjär regression på lämpliga Anscombe-data100 XP
- Linjär regression på alla Anscombes datamängder100 XP
2
Bootstrap-konfidensintervall
Inom statistisk inferens vill man veta vad som skulle hända om man kunde upprepa datainsamlingen ett oändligt antal gånger. Det är förstås omöjligt i praktiken – men kan man använda enbart de data man faktiskt har för att komma nära samma resultat som ett oändligt antal experiment? Svaret är ja! Tekniken för att göra det kallas bootstrapping, och det är ett synnerligen kraftfullt verktyg som du introduceras till i det här kapitlet.
3
Introduktion till hypotestestning
Du vet nu hur man definierar och estimerar parametrar utifrån en modell. Men frågan kvarstår: hur rimligt är det att observera dina data om en viss modell stämmer? Den frågan besvaras med hypotestester. De utgör kronan på verket inom inferens. När du har slutfört det här kapitlet kan du på ett välgrundat sätt konstruera och testa hypoteser med hjälp av hacker-statistik.
4
Exempel på hypotestestning
Som du såg i föregående kapitel kan hypotestestning vara lite knepigt. Du behöver definiera nollhypotesen, ta reda på hur du simulerar den och tydligt fastställa vad det innebär att ett utfall är "mer extremt" för att kunna beräkna p-värdet. Som med alla färdigheter blir man bättre med övning, och det här kapitlet ger dig god träning i hypotestestning.
5
Allt i ett: en fallstudie
I mer än 40 år har Peter och Rosemary Grant varje år rest till Galápagosön Daphne Major och samlat in data om Darwins finkar. Med dina kunskaper i statistisk inferens tillbringar du det här kapitlet med deras data och får med egna ögon, genom data, bevittna evolutionen i verkligheten. Det är ett inspirerande sätt att avsluta kursen!
Statistiskt tänkande i Python (del 2)
Kurs
slutförd
