700+ courses, half price
Kurs Açıklaması
Statistical Thinking in Python (Part 1) tamamlandıktan sonra, veri kümelerine dalıp onlardan faydalı bilgiler çıkarmak için olasılıksal bakış açısına ve temel hacker istatistikleri becerilerine sahipsin. Bu kursta tam da bunu yapacak, istatistiksel çıkarımın iki temel görevi olan parametre tahmini ve hipotez testini gerçekleştirmek için hacker istatistikleri araç kutunu genişletip keskinleştireceksin. Öğrenirken gerçek veri kümeleriyle çalışacak, Darwin'in ünlü ispinozlarının gaga ölçümlerinin analizini yaparak dersi tamamlayacaksın. Bu kurstan yeni bilgiler ve bolca pratikle donanmış şekilde ayrılacak, kendi çıkarım problemlerine hazır olacaksın.
Ön Koşullar
Müfredat
Kurs planı
1
Optimizasyon ile parametre tahmini
İstatistiksel çıkarım yaparken, olasılık dilini kullanırız. Verini tanımlayan bir olasılık dağılımının parametreleri vardır. Bu yüzden, istatistiksel çıkarımın önemli bir amacı bu parametrelerin değerlerini tahmin etmektir; bu da verimizi kısa ve net biçimde tanımlamamıza ve ondan sonuçlar çıkarmamıza olanak tanır. Bu bölümde, verini en iyi tanımlayan, yani en uygun parametreleri nasıl bulacağını öğreneceksin.
- En uygun parametreler50 XP
- No-hitter'lar ne sıklıkla oluyor?100 XP
- Veriler hikayemize uyuyor mu?100 XP
- Bu parametre neden en uygun?100 XP
- En küçük kareler ile doğrusal regresyon50 XP
- Okuryazarlık/doğurganlık verilerinin EDA'sı100 XP
- Doğrusal regresyon100 XP
- Nasıl optimal?100 XP
- EDA'nın önemi: Anscombe dörtlüsü50 XP
- EDA'nın önemi50 XP
- Uygun Anscombe verisi üzerinde doğrusal regresyon100 XP
- Tüm Anscombe verileri üzerinde doğrusal regresyon100 XP
2
Bootstrap güven aralıkları
"Kendi kendini çizmelerinden yukarı çekmek" deyimi, zor bir işi tek başına, hiç yardım almadan başarmayı anlatan klasik bir ifadedir. İstatistiksel çıkarımda, veri toplamayı sonsuz kez tekrarlayabilseydin ne olacağını bilmek istersin. Bu görev imkânsızdır; peki sadece sahip olduğumuz veriyi kullanarak, sayısız deneyin vereceğine yakın bir sonuca ulaşabilir miyiz? Yanıt evet! Bunu yapmaya yarayan tekniğe de yerinde bir adla bootstrapping denir. Bu bölüm, seni bu olağanüstü güçlü araçla tanıştıracak.
3
Hipotez testine giriş
Artık bir model verildiğinde parametreleri nasıl tanımlayıp tahmin edeceğini biliyorsun. Ama şu soru kalıyor: Bir model doğruysa, gözlediğin verinin ortaya çıkması ne kadar makul? Bu soruyu hipotez testleri yanıtlar. Onlar çıkarım pastasının kremasıdır. Bu bölümü tamamladıktan sonra, hacker istatistiklerini kullanarak hipotezleri dikkatlice kurup test edebileceksin.
4
Hipotez testi örnekleri
Önceki bölümde gördüğün gibi, hipotez testi biraz çetrefilli olabilir. Sıfır hipotezini tanımlaman, onu nasıl benzeştireceğini (simüle edeceğini) bulman ve p-değerini hesaplamak için "daha uç" olmanın ne demek olduğunu net biçimde belirlemen gerekir. Her beceride olduğu gibi, pratik mükemmelleştirir ve bu bölüm sana hipotez testleriyle iyi bir pratik sunar.
5
Hepsini birleştirme: bir vaka çalışması
Son 40 yılı aşkın süredir Peter ve Rosemary Grant her yıl Galápagos'taki Daphne Major adasına gidip Darwin'in ispinozlarına dair veriler topluyor. İstatistiksel çıkarım becerilerini kullanarak bu bölümde onların verileriyle çalışacak ve evrimi, veriler aracılığıyla, ilk elden gözlemleyeceksin. Kursu bitirmek için heyecan verici bir yol!
Python ile İstatistiksel Düşünme (Bölüm 2)
Kurs
Tamamlandı
