Name: การออกแบบการทดลองด้วย Python
Rating: 4.797943444730077 (1945 reviews)

รายละเอียดคอร์ส

ดำเนินการออกแบบการทดลอง

เรียนรู้วิธีการนำการออกแบบการทดลองที่เหมาะสมที่สุดไปใช้กับกรณีการใช้งานของคุณ เรียนรู้เกี่ยวกับวิธีการนำ randomized block designs และ factorial designs ไปใช้ในการวัดผลของการรักษา และสรุปผลที่ถูกต้องและแม่นยำ

วิเคราะห์ข้อมูลเชิงสถิติจากการทดลอง

เจาะลึกการวิเคราะห์ข้อมูลเชิงสถิติจากข้อมูลการทดลอง เรียนรู้วิธีเลือกและดำเนินการทดสอบทางสถิติ เช่น t-test, ANOVA test และ chi-square test of association ดำเนินการวิเคราะห์หลังการทดสอบ ANOVA เพื่อค้นหาว่าการเปรียบเทียบแบบจับคู่ใดมีความแตกต่างอย่างมีนัยสำคัญ

ดำเนินการวิเคราะห์พลังอำนาจ (Power Analysis)

เรียนรู้วิธีวัดขนาดเอฟเฟกต์เพื่อประเมินว่ากลุ่มต่าง ๆ มีความแตกต่างกันมากเพียงใด นอกเหนือจากแค่การมีความแตกต่างอย่างมีนัยสำคัญ ดำเนินการวิเคราะห์พลังทางสถิติ (power analysis) โดยใช้ขนาดเอฟเฟกต์ที่สมมติขึ้น เพื่อกำหนดขนาดตัวอย่างขั้นต่ำที่จำเป็นสำหรับให้ได้ค่าพลังทางสถิติที่ต้องการ ใช้สูตร Cohen's d เพื่อวัดขนาดอิทธิพลจากข้อมูลตัวอย่าง และทดสอบว่าสมมติฐานเกี่ยวกับขนาดอิทธิพลที่ใช้ในการวิเคราะห์อำนาจสถิตินั้นถูกต้องหรือไม่

จัดการกับความซับซ้อนในข้อมูลเชิงทดลอง

ดึงข้อมูลเชิงลึกจากข้อมูลการทดลองที่ซับซ้อน และเรียนรู้แนวทางปฏิบัติที่ดีที่สุดในการสื่อสารผลลัพธ์กับผู้มีส่วนได้ส่วนเสียแต่ละกลุ่ม จัดการกับความซับซ้อน เช่น ปฏิสัมพันธ์, heteroscedasticity และ confounding ในข้อมูลการทดลอง เพื่อเพิ่มความน่าเชื่อถือให้กับข้อสรุปของคุณ เมื่อข้อมูลไม่เป็นไปตามข้อสมมติของการทดสอบแบบพาราเมตริก คุณจะได้เรียนรู้วิธีเลือกและนำการทดสอบแบบนอนพาราเมตริกที่เหมาะสมมาใช้

ข้อกำหนดเบื้องต้น

Hypothesis Testing in Python

หลักสูตร

โครงร่างคอร์ส

พื้นฐานการออกแบบการทดลอง

การสร้างความรู้ด้านการออกแบบการทดลองช่วยให้ทดสอบสมมติฐานด้วยเครื่องมือวิเคราะห์ที่ได้มาตรฐาน และประเมินความเสี่ยงของงานวิจัยได้อย่างมีประสิทธิภาพ บทนี้จะเริ่มต้นด้วยการวางรากฐานของการออกแบบการทดลอง พร้อมทำความเข้าใจรูปแบบต่าง ๆ เช่น blocking และ stratification จากนั้นจะเรียนรู้และฝึกใช้การทดสอบทางสายตาและเชิงวิเคราะห์สำหรับตรวจสอบความเป็นปกติของข้อมูลเชิงทดลอง

เริ่มบท

เทคนิคการออกแบบการทดลอง

เจาะลึกเทคนิคการออกแบบการทดลองขั้นสูง โดยเน้นที่ factorial design, randomized block design และการปรับตัวแปรร่วม (covariate adjustment) วิธีการเหล่านี้มีบทบาทสำคัญในการเพิ่มความแม่นยำ ประสิทธิภาพ และความสามารถในการตีความผลการทดลอง ผ่านการผสมผสานระหว่างแนวคิดทางทฤษฎีและการประยุกต์ใช้จริง จะได้พัฒนาทักษะในการออกแบบ ดำเนินการ และวิเคราะห์การทดลองที่ซับซ้อนในสาขาวิจัยต่าง ๆ

เริ่มบท

การวิเคราะห์ข้อมูลเชิงทดลอง: การทดสอบทางสถิติและ Power

เชี่ยวชาญการทดสอบทางสถิติ เช่น t-test, ANOVA และ Chi-Square พร้อมเจาะลึก post-hoc analysis และหลักการสำคัญของ power analysis เรียนรู้การเลือกการทดสอบที่เหมาะสม การตีความ p-value และข้อผิดพลาดทางสถิติ รวมถึงการทำ power analysis เพื่อกำหนดขนาดตัวอย่างและขนาดผล โดยใช้ไลบรารีอันทรงพลังของ Python ในการวิเคราะห์ข้อมูล

เริ่มบท

ข้อมูลเชิงลึกขั้นสูงจากความซับซ้อนของการทดลอง

เรียนรู้การวิเคราะห์ข้อมูลเชิงทดลองที่ซับซ้อน ครอบคลุมการสังเคราะห์ข้อมูลเชิงลึกด้วย pandas การจัดการปัญหาข้อมูล เช่น heteroscedasticity ด้วย scipy.stats และการใช้การทดสอบแบบ nonparametric อย่าง Mann-Whitney U นอกจากนี้ยังมีเทคนิคเพิ่มเติมสำหรับการแปลงข้อมูล การแสดงผล และการตีความข้อมูลที่ซับซ้อน เพื่อเสริมความสามารถในการวิเคราะห์อย่างรอบด้านในสถานการณ์การทดลองที่หลากหลาย