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
Модуль 1 - Python для анализа данных: part 1
Модуль 2 - Python для анализа данных: part 2
- Начните знакомство с Python.
- Научитесь определять структуры данных и проводить операции над ними.
- Изучите базовые функции Jupyter Notebook.
- Запустите код в Jupyter Notebook.
Модуль 3 - Дескриптивная статистика
- 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 4 - Теория множеств
- 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 5 - Теория вероятности. Введение
- 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 6 - Случайные величины и распределения
- 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 7 - Зависимость между случайными величинами
- 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 8 - Основные распределения
- 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 9 - Данные. Статистика. Выборка
- 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 10 - Точечная оценка
- 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 11 - Интервальная оценка
- Научитесь предсказывать результаты выборов.
- Изучите понятие точечной оценки.
- Сделайте первые шаги к интерпретации данных: узнайте, что выборка говорит о настоящем распределении.
Модуль 12 - Проверка статистических гипотез
- 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 13 - Анализ качественных данных
- 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 14 - Статистика на практике
- 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 15 - Регрессионный анализ
- Научитесь использовать статистические методы на предприятии.
- Распознайте возможную ошибку в анализе и откорректируйте ее.
- Поймите, как проводить поправку при множественной проверке гипотез.
Модуль 16 - Логистическая регрессия. Введение в машинное обучение
- 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.
- 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.
Последнее редактирование модератором:
- Статус
- В этой теме нельзя размещать новые ответы.