- Регистрация
- 26.05.2022
- Сообщения
- 26 731
- Реакции
- 160
- Баллы
- 63
Математика для анализа и прогнозирования [2021]
robot dreams
Сергей Бобровский
Как принимать правильные решения на основе данных, находить закономерности и проверить гипотезы - узнайте на курсе.
О курсе:
Чтобы найти ответы на вопросы в работе с данными, не делая типичных ошибок, следует научиться анализировать проблемы и методы их решения с помощью математики и статистики. Для решения этой задачи, рекомендуется воспользоваться следующей формулой: (25 часов обучения + домашние задания)².
С ее помощью специалист, который умеет успешно обрабатывать данные, но не способен находить закономерности и тенденции, сможет научиться строить и проверять гипотезы, описывать реальные процессы и задачи математическим языком.
Курс подойдет:
1. Analysts
2. Developers
3. Technical teachers / Other IT specialist
После курса вы сможете:
1. Сможете работать с основными библиотеками Python для обработки, анализа и визуализации данных
2. Сможете строить и проверять статистические гипотезы
3. Научитесь решать задачи при помощи основных математических методов аналитики данных
Содержание
Модуль 1 - Python для анализа данных: part 1
Начните знакомство с Python.
Научитесь определять структуры данных и проводить операции над ними.
Изучите базовые функции Jupyter Notebook.
Запустите код в Jupyter Notebook.
Модуль 2 - Python для анализа данных: part 2
Подключите библиотеки Python.
Научитесь с их помощью упрощать подготовку и обработку данных.
Откройте навык [умею оперировать данными при помощи библиотек NumPy и Pandas] и [визуализирую данные с помощью библиотек MatPlotLib и Seaborn].
Модуль 3 - Дескриптивная статистика
Узнайте, как применять дескриптивную статистику для описания и визуализации данных.
Научитесь применять моду, медиану, среднее значение и среднеквадратическое отклонение для анализа данных. Освойте визуализацию данных с помощью библиотек MatPlotLib, SeaBorn и Plotly.
Модуль 4 - Теория множеств
Перейдите к изучению основных понятий теории множеств.
Научитесь применять операции над множествами в работе с данными.
Используйте диаграммы Венна для анализа проблем.
Перейдите к работе с векторами и матрицами при помощи библиотеки NumPy.
Освойте чтение математических обозначений для разработки и имплементации алгоритмов.
Модуль 5 - Теория вероятности. Введение
Узнайте, в чем состоит разница между вероятностью и статистикой.
Освойте разные подходы к определению вероятности.
Научитесь решать простые задачи на вероятность.
Изучите теорему Байеса, чтобы правильно размышлять о вероятности в повседневной жизни.
Модуль 6 - Случайные величины и распределения
Получите доступ к знаниям по темам: распределение, математическое ожидание, дисперсия, ковариация и корреляция.
Установите взаимосвязь между распределением и вероятностью.
Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции.
Модуль 7 - Зависимость между случайными величинами
Ознакомьтесь с примерами использования распределений, математического ожидания и дисперсии.
Разберитесь в том, какая связь между распределением и вероятностью.
Узнайте, поможет ли прохождение этого курса увеличить вашу зарплату: разница между корреляцией и причинностью.
Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции.
Модуль 8 - Основные распределения
Изучите основные виды распределений: биномиальное распределение, распределение Пуассона, распределение Гаусса.
Научитесь их применять.
Получите доступ к возможности определять, какое распределение описывает вашу проблему.
Начните использовать библиотеку stats.
Модуль 9 - Данные. Статистика. Выборка
Разберитесь в том, что такое статистика и какие вопросы она решает?
Изучите методы выборки.
Научитесь планировать и выполнять сборку данных.
Примените моду, медиану и среднее значение для анализа данных а затем визуализируйте результаты анализа и опишите данные с помощью библиотек MatPlotLib, SeaBorn и Plotly.
Модуль 10 - Точечная оценка
Научитесь предсказывать результаты выборов.
Изучите понятие точечной оценки.
Сделайте первые шаги к интерпретации данных: узнайте, что выборка говорит о настоящем распределении.
Модуль 11 - Интервальная оценка
Научитесь правильно предсказывать результаты выборов.
Используйте интервальную оценку для определения ошибок при интерпретации данных.
Изучите, что такое доверительный интервал, какие бывают его примеры и интерпретации.
Постройте доверительный интервал для простой проблемы.
Модуль 12 - Проверка статистических гипотез
Перейдите к изучению основных и конкурирующих гипотез.
Узнайте, что такое P-значение и как его интерпретировать.
Научитесь определять типы ошибок.
Сформулируйте статистическую гипотезу.
Затем проверьте ее разными методами.
Модуль 13 - Анализ качественных данных
Откройте доступ к знаниям о качественных переменных и непараметрических методах.
Научитесь анализировать качественные данные.
Постройте и проанализируйте таблицы сопряженности.
Проверьте адекватность модели c помощью chi-square и библиотеки stats.
Модуль 14 - Статистика на практике
Научитесь использовать статистические методы на предприятии.
Распознайте возможную ошибку в анализе и откорректируйте ее.
Поймите, как проводить поправку при множественной проверке гипотез.
Модуль 15 - Регрессионный анализ
Изучите следующие понятия: линейная регрессия, полиномиальная регрессия, метод наименьших квадратов.
Сформулируйте проблему для линейной регрессии.
Используйте библиотеку ScikitLearn для регрессионного анализа данных.
Затем проверьте результат вашего регрессионного анализа на адекватность.
Модуль 16 - Логистическая регрессия. Введение в машинное обучение
Познакомьтесь с основами статистического обучения.
Научитесь решать проблемы классификации с помощью логистической регрессии.
Используйте ScikitLearn.
Научитесь применять перекрестную проверку.
И снова используйте ScikitLearn.
Затем попробуйте сделать перекрестную проверку вручную.
Примечание: на момент создания темы актуальная цена не известна.
Продажник
robot dreams
Сергей Бобровский
Как принимать правильные решения на основе данных, находить закономерности и проверить гипотезы - узнайте на курсе.
О курсе:
Чтобы найти ответы на вопросы в работе с данными, не делая типичных ошибок, следует научиться анализировать проблемы и методы их решения с помощью математики и статистики. Для решения этой задачи, рекомендуется воспользоваться следующей формулой: (25 часов обучения + домашние задания)².
С ее помощью специалист, который умеет успешно обрабатывать данные, но не способен находить закономерности и тенденции, сможет научиться строить и проверять гипотезы, описывать реальные процессы и задачи математическим языком.
Курс подойдет:
1. Analysts
2. Developers
3. Technical teachers / Other IT specialist
После курса вы сможете:
1. Сможете работать с основными библиотеками Python для обработки, анализа и визуализации данных
2. Сможете строить и проверять статистические гипотезы
3. Научитесь решать задачи при помощи основных математических методов аналитики данных
Содержание
Модуль 1 - Python для анализа данных: part 1
Начните знакомство с Python.
Научитесь определять структуры данных и проводить операции над ними.
Изучите базовые функции Jupyter Notebook.
Запустите код в Jupyter Notebook.
Модуль 2 - Python для анализа данных: part 2
Подключите библиотеки Python.
Научитесь с их помощью упрощать подготовку и обработку данных.
Откройте навык [умею оперировать данными при помощи библиотек NumPy и Pandas] и [визуализирую данные с помощью библиотек MatPlotLib и Seaborn].
Модуль 3 - Дескриптивная статистика
Узнайте, как применять дескриптивную статистику для описания и визуализации данных.
Научитесь применять моду, медиану, среднее значение и среднеквадратическое отклонение для анализа данных. Освойте визуализацию данных с помощью библиотек MatPlotLib, SeaBorn и Plotly.
Модуль 4 - Теория множеств
Перейдите к изучению основных понятий теории множеств.
Научитесь применять операции над множествами в работе с данными.
Используйте диаграммы Венна для анализа проблем.
Перейдите к работе с векторами и матрицами при помощи библиотеки NumPy.
Освойте чтение математических обозначений для разработки и имплементации алгоритмов.
Модуль 5 - Теория вероятности. Введение
Узнайте, в чем состоит разница между вероятностью и статистикой.
Освойте разные подходы к определению вероятности.
Научитесь решать простые задачи на вероятность.
Изучите теорему Байеса, чтобы правильно размышлять о вероятности в повседневной жизни.
Модуль 6 - Случайные величины и распределения
Получите доступ к знаниям по темам: распределение, математическое ожидание, дисперсия, ковариация и корреляция.
Установите взаимосвязь между распределением и вероятностью.
Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции.
Модуль 7 - Зависимость между случайными величинами
Ознакомьтесь с примерами использования распределений, математического ожидания и дисперсии.
Разберитесь в том, какая связь между распределением и вероятностью.
Узнайте, поможет ли прохождение этого курса увеличить вашу зарплату: разница между корреляцией и причинностью.
Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции.
Модуль 8 - Основные распределения
Изучите основные виды распределений: биномиальное распределение, распределение Пуассона, распределение Гаусса.
Научитесь их применять.
Получите доступ к возможности определять, какое распределение описывает вашу проблему.
Начните использовать библиотеку stats.
Модуль 9 - Данные. Статистика. Выборка
Разберитесь в том, что такое статистика и какие вопросы она решает?
Изучите методы выборки.
Научитесь планировать и выполнять сборку данных.
Примените моду, медиану и среднее значение для анализа данных а затем визуализируйте результаты анализа и опишите данные с помощью библиотек MatPlotLib, SeaBorn и Plotly.
Модуль 10 - Точечная оценка
Научитесь предсказывать результаты выборов.
Изучите понятие точечной оценки.
Сделайте первые шаги к интерпретации данных: узнайте, что выборка говорит о настоящем распределении.
Модуль 11 - Интервальная оценка
Научитесь правильно предсказывать результаты выборов.
Используйте интервальную оценку для определения ошибок при интерпретации данных.
Изучите, что такое доверительный интервал, какие бывают его примеры и интерпретации.
Постройте доверительный интервал для простой проблемы.
Модуль 12 - Проверка статистических гипотез
Перейдите к изучению основных и конкурирующих гипотез.
Узнайте, что такое P-значение и как его интерпретировать.
Научитесь определять типы ошибок.
Сформулируйте статистическую гипотезу.
Затем проверьте ее разными методами.
Модуль 13 - Анализ качественных данных
Откройте доступ к знаниям о качественных переменных и непараметрических методах.
Научитесь анализировать качественные данные.
Постройте и проанализируйте таблицы сопряженности.
Проверьте адекватность модели c помощью chi-square и библиотеки stats.
Модуль 14 - Статистика на практике
Научитесь использовать статистические методы на предприятии.
Распознайте возможную ошибку в анализе и откорректируйте ее.
Поймите, как проводить поправку при множественной проверке гипотез.
Модуль 15 - Регрессионный анализ
Изучите следующие понятия: линейная регрессия, полиномиальная регрессия, метод наименьших квадратов.
Сформулируйте проблему для линейной регрессии.
Используйте библиотеку ScikitLearn для регрессионного анализа данных.
Затем проверьте результат вашего регрессионного анализа на адекватность.
Модуль 16 - Логистическая регрессия. Введение в машинное обучение
Познакомьтесь с основами статистического обучения.
Научитесь решать проблемы классификации с помощью логистической регрессии.
Используйте ScikitLearn.
Научитесь применять перекрестную проверку.
И снова используйте ScikitLearn.
Затем попробуйте сделать перекрестную проверку вручную.
Примечание: на момент создания темы актуальная цена не известна.
Продажник
