Name: การทดสอบสมมติฐานด้วย Python
Rating: 4.77987247019684 (3607 reviews)

รายละเอียดคอร์ส

การทดสอบสมมติฐานช่วยให้ตอบคำถามเกี่ยวกับชุดข้อมูลได้อย่างเป็นระบบและมีความเข้มงวดทางสถิติ ในคอร์สนี้ คุณจะพัฒนาทักษะการวิเคราะห์ด้วย Python ไปพร้อมกับเรียนรู้วิธีใช้และเวลาที่เหมาะสมสำหรับการทดสอบทั่วไป เช่น t-test, proportion test และ chi-square test โดยทำงานกับข้อมูลจริง ได้แก่ ข้อมูลความคิดเห็นของผู้ใช้ Stack Overflow และข้อมูลซัพพลายเชนสำหรับการจัดส่งเวชภัณฑ์ คุณจะเข้าใจอย่างลึกซึ้งว่าการทดสอบเหล่านี้ทำงานอย่างไร และข้อสมมติหลักที่เป็นพื้นฐานของการทดสอบแต่ละชนิดคืออะไร นอกจากนี้ยังจะได้เรียนรู้ว่า non-parametric test สามารถนำมาใช้เพื่อก้าวข้ามข้อจำกัดของการทดสอบสมมติฐานแบบดั้งเดิมได้อย่างไรวิดีโอมี transcript แบบ live ที่สามารถแสดงได้โดยคลิก "Show transcript" ที่มุมล่างซ้ายของวิดีโอ สามารถดูคำศัพท์ของคอร์สได้ที่ส่วน resources ทางด้านขวา หากต้องการรับ CPE credits ต้องเรียนจบคอร์สและทำคะแนน qualified assessment ได้อย่างน้อย 70% โดยสามารถไปยังส่วนการประเมินได้โดยคลิกที่ CPE credits callout ทางด้านขวา

ข้อกำหนดเบื้องต้น

Sampling in Python

หลักสูตร

โครงสร้างคอร์ส

พื้นฐานการทดสอบสมมติฐาน

การทดสอบสมมติฐานทำงานอย่างไร และสามารถแก้ปัญหาอะไรได้บ้าง? ในบทนี้จะพาคุณผ่านขั้นตอนการทำงานของ one-sample proportion test ซึ่งจะได้พบกับแนวคิดสำคัญ เช่น z-score, p-value รวมถึงความผิดพลาดแบบ false negative และ false positive

เริ่มบทเรียน

การทดสอบสองกลุ่มและ ANOVA

ในบทนี้ คุณจะได้เรียนรู้การทดสอบความแตกต่างของค่าเฉลี่ยระหว่างสองกลุ่มด้วย t-test และขยายการทดสอบไปยังกลุ่มที่มากกว่าสองกลุ่มด้วย ANOVA และ pairwise t-test

เริ่มบทเรียน

Proportion Tests

ถึงเวลาทดสอบความแตกต่างของสัดส่วนระหว่างสองกลุ่มด้วย proportion test ผ่านแบบฝึกหัดภาคปฏิบัติ คุณจะขยายการทดสอบสัดส่วนไปยังมากกว่าสองกลุ่มด้วย chi-square independence test และกลับมาที่กรณีกลุ่มเดียวด้วย chi-square goodness of fit test

เริ่มบทเรียน

Non-Parametric Tests

ในบทสุดท้าย คุณจะได้เรียนรู้เกี่ยวกับข้อสมมติของการทดสอบสมมติฐานแบบ parametric และดูว่า non-parametric test สามารถนำมาใช้ได้อย่างไรเมื่อข้อสมมติเหล่านั้นไม่เป็นจริง