In diesem Kurs werden wir unsere Erkundung der statistischen Inferenztechniken erweitern, indem wir uns auf die Wissenschaft und Kunst der Anpassung statistischer Modelle an Daten konzentrieren. Wir werden auf den Konzepten aufbauen, die im Kurs Statistische Schlussfolgerungen (Kurs 2) vorgestellt wurden, um zu betonen, wie wichtig es ist, Forschungsfragen mit unseren Datenanalysemethoden zu verbinden. Wir werden uns auch auf verschiedene Modellierungsziele konzentrieren, einschließlich der Erstellung von Schlussfolgerungen über Beziehungen zwischen Variablen und der Erstellung von Vorhersagen für zukünftige Beobachtungen. In diesem Kurs werden verschiedene statistische Modellierungstechniken vorgestellt und erforscht, einschließlich linearer Regression, logistischer Regression, verallgemeinerter linearer Modelle, hierarchischer Modelle und Modelle mit gemischten Effekten (oder mehrstufiger Modelle) sowie Bayes'scher Inferenztechniken. Alle Techniken werden anhand einer Vielzahl von realen Datensätzen veranschaulicht, und der Kurs wird verschiedene Modellierungsansätze für verschiedene Arten von Datensätzen betonen, je nach dem Studiendesign, das den Daten zugrunde liegt (unter Bezugnahme auf Kurs 1, Verstehen und Visualisieren von Daten mit Python). Während dieser Labor-basierten Sitzungen werden die Lernenden durch Tutorien arbeiten, die sich auf spezifische Fallstudien konzentrieren, um die statistischen Konzepte der Woche zu festigen, die weitere Vertiefungen in Python-Bibliotheken wie Statsmodels, Pandas und Seaborn beinhalten. Dieser Kurs nutzt die Jupyter Notebook-Umgebung von Coursera.
Schenken Sie Ihrer Karriere Coursera Plus mit einem Rabatt von $160 , der jährlich abgerechnet wird. Sparen Sie heute.
Anpassen statistischer Modelle an Daten mit Python
Dieser Kurs ist Teil von Spezialisierung Statistik mit Python
Dozenten: Brenda Gunderson
34.636 bereits angemeldet
Bei 
enthalten
(689 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Vertiefen Sie Ihr Verständnis für statistische Inferenztechniken, indem Sie die Kunst der Anpassung statistischer Modelle an Daten beherrschen.
Verbinden Sie Forschungsfragen mit Methoden der Datenanalyse und betonen Sie dabei Ziele, Beziehungen zwischen Variablen und Vorhersagen.
Erkunden Sie verschiedene statistische Modellierungstechniken wie lineare Regression, logistische Regression und Bayes'sche Inferenz anhand realer Datensätze.
Arbeiten Sie an praktischen Fallstudien in Python mit Bibliotheken wie Statsmodels, Pandas und Seaborn in der Jupyter Notebook-Umgebung.
Kompetenzen, die Sie erwerben
- Kategorie: Bayessche Statistik
- Kategorie: Python-Programmierung
- Kategorie: statistische Regression
- Kategorie: Statistisches Modell
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
7 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 4 Module
Wir beginnen diesen dritten Kurs der Spezialisierung Statistik mit Python mit einem Überblick darüber, was mit "Anpassung statistischer Modelle an Daten" gemeint ist In dieser ersten Woche werden wir die wichtigsten Konzepte der Modellanpassung vorstellen. Dazu gehören die Unterscheidung zwischen abhängigen und unabhängigen Variablen, die Berücksichtigung von Studiendesigns bei der Modellanpassung, die Bewertung der Qualität der Modellanpassung, die Untersuchung, wie verschiedene Arten von Variablen in der statistischen Modellierung behandelt werden, und die klare Definition der Ziele der Modellanpassung.
Das ist alles enthalten
8 Videos6 Lektüren1 Aufgabe2 Unbewertete Labore
In dieser zweiten Woche führen wir Sie in die Grundlagen von zwei Regressionsarten ein: lineare Regression und logistische Regression. Sie werden die Gelegenheit haben, darüber nachzudenken, wie man Modelle anpasst, wie man beurteilt, wie gut diese Modelle passen, und wie man diese Modelle im Kontext der Daten interpretieren kann. Sie werden auch lernen, wie Sie diese Modelle in Python implementieren können.
Das ist alles enthalten
5 Videos4 Lektüren3 Aufgaben3 Unbewertete Labore
In der dritten Woche dieses Kurses werden wir auf den in Woche 2 besprochenen Modellierungskonzepten aufbauen. Unser Hauptthema werden mehrstufige und marginale Modelle sein, da diese Modelle es den Forschern ermöglichen, Abhängigkeiten in den interessierenden Variablen zu berücksichtigen, die durch das Studiendesign entstehen. Wir werden uns damit befassen, warum und wann wir diese alternativen Modelle anwenden, mit Likelihood-Ratio-Tests sowie mit festen Effekten und deren Interpretation.
Das ist alles enthalten
7 Videos3 Lektüren2 Aufgaben4 Unbewertete Labore
In dieser letzten Woche stellen wir spezielle Themen vor, die den Lehrplan der vorangegangenen Wochen und Kurse weiter vertiefen. Wir werden ein breites Spektrum an Themen abdecken, wie z.B. verschiedene Arten von abhängigen Variablen, die Untersuchung von Stichprobenmethoden und die Frage, ob bei der Anpassung von Modellen Umfragegewichte verwendet werden sollten oder nicht, sowie eingehende Fallstudien, bei denen Bayes'sche Techniken eingesetzt werden, um Erkenntnisse aus Daten zu gewinnen. Sie werden auch die Möglichkeit haben, Bayes'sche Techniken in Python anzuwenden.
Das ist alles enthalten
6 Videos4 Lektüren1 Aufgabe1 Diskussionsthema1 Unbewertetes Labor
Dozenten
Empfohlen, wenn Sie sich für Wahrscheinlichkeitsrechnung und Statistik interessieren
University of Colorado Boulder
Coursera Project Network
University of Illinois Urbana-Champaign
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 689
689 Bewertungen
- 5 stars
65,89 %
- 4 stars
19,88 %
- 3 stars
7,98 %
- 2 stars
3,48 %
- 1 star
2,75 %
Geprüft am 19. Juni 2020
Geprüft am 20. Okt. 2020
Geprüft am 17. Sep. 2019
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.