Dans ce cours, nous approfondirons notre exploration des techniques d'inférence statistique en nous concentrant sur la science et l'art d'adapter les modèles statistiques aux données. Nous nous appuierons sur les concepts présentés dans le cours d'inférence statistique (cours 2) pour souligner l'importance de relier les questions de recherche à nos méthodes d'analyse des données. Nous nous concentrerons également sur les différents objectifs de la modélisation, y compris la déduction des relations entre les variables et la génération de prédictions pour les observations futures. Ce cours présentera et explorera diverses techniques de modélisation statistique, y compris la régression linéaire, la régression logistique, les modèles linéaires généralisés, les modèles hiérarchiques et à effets mixtes (ou multiniveaux), et les techniques d'inférence bayésienne. Toutes les techniques seront illustrées à l'aide d'une variété d'ensembles de données réelles, et le cours mettra l'accent sur différentes approches de modélisation pour différents types d'ensembles de données, en fonction de la conception de l'étude sous-jacente aux données (en référence au cours 1, Comprendre et visualiser les données avec Python). Au cours de ces sessions en laboratoire, les apprenants travailleront sur des tutoriels axés sur des études de cas spécifiques pour aider à solidifier les concepts statistiques de la semaine, qui incluront des plongées plus approfondies dans les bibliothèques Python, y compris Statsmodels, Pandas, et Seaborn. Ce cours utilise l'environnement Jupyter Notebook de Coursera.
Ajuster des modèles statistiques aux données avec Python
Ce cours fait partie de Spécialisation Statistiques avec Python
Instructeurs : Brenda Gunderson
34 792 déjà inscrits
Inclus avec 
(691 avis)
Expérience recommandée
Ce que vous apprendrez
Approfondissez votre compréhension des techniques d'inférence statistique en maîtrisant l'art d'adapter les modèles statistiques aux données.
Relier les questions de recherche aux méthodes d'analyse des données, en mettant l'accent sur les objectifs, les relations entre les variables et les prévisions.
Explorer diverses techniques de modélisation statistique telles que la régression linéaire, la régression logistique et l'inférence bayésienne en utilisant des ensembles de données réelles.
Travaillez sur des études de cas pratiques en Python avec des bibliothèques telles que Statsmodels, Pandas et Seaborn dans l'environnement Jupyter Notebook.
Compétences que vous acquerrez
- Catégorie : Statistiques bayésiennes
- Catégorie : Programmation en Python
- Catégorie : régression statistique
- Catégorie : Modèle statistique
Détails à connaître
Ajouter à votre profil LinkedIn
7 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 4 modules dans ce cours
Nous commençons ce troisième cours de la spécialisation Statistics with Python par un aperçu de ce que l'on entend par "ajustement de modèles statistiques aux données" Au cours de cette première semaine, nous présenterons les concepts clés de l'ajustement de modèles, y compris la distinction entre les variables dépendantes et indépendantes, la façon de prendre en compte les plans d'étude lors de l'ajustement des modèles, l'évaluation de la qualité de l'ajustement des modèles, l'exploration de la façon dont les différents types de variables sont traités dans la modélisation statistique, et la définition claire des objectifs de l'ajustement des modèles.
Inclus
8 vidéos6 lectures1 devoir2 laboratoires non notés
Au cours de cette deuxième semaine, nous vous présenterons les bases de deux types de régression : la régression linéaire et la régression logistique. Vous aurez l'occasion de réfléchir à la manière d'ajuster les modèles, d'évaluer la qualité de ces modèles et de réfléchir à la manière d'interpréter ces modèles dans le contexte des données. Vous apprendrez également à mettre en œuvre ces modèles en Python.
Inclus
5 vidéos4 lectures3 devoirs3 laboratoires non notés
Au cours de la troisième semaine de ce cours, nous nous appuierons sur les concepts de modélisation abordés au cours de la semaine 2. Les modèles multiniveaux et marginaux seront notre principal sujet de discussion, car ces modèles permettent aux chercheurs de tenir compte des dépendances dans les variables d'intérêt introduites par les modèles d'étude. Nous verrons pourquoi et quand nous adaptons ces modèles alternatifs, les tests de rapport de vraisemblance, ainsi que les effets fixes et leurs interprétations.
Inclus
7 vidéos3 lectures2 devoirs4 laboratoires non notés
Au cours de cette dernière semaine, nous introduisons des sujets spéciaux qui prolongent le programme des semaines et des cours précédents. Nous couvrirons un large éventail de sujets tels que les différents types de variables dépendantes, l'exploration des méthodes d'échantillonnage et l'utilisation ou non des poids d'enquête lors de l'ajustement des modèles, ainsi que des études de cas approfondies utilisant des techniques bayésiennes pour obtenir des informations à partir des données. Vous aurez également l'occasion d'appliquer les techniques bayésiennes en Python.
Inclus
6 vidéos4 lectures1 devoir1 sujet de discussion1 laboratoire non noté
Instructeurs
Offert par
Recommandé si vous êtes intéressé(e) par Probabilités et Statistiques
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
691 avis
- 5 stars
65,84 %
- 4 stars
19,97 %
- 3 stars
7,95 %
- 2 stars
3,47 %
- 1 star
2,74 %
Affichage de 3 sur 691
Révisé le 19 juin 2020
The course was wonderful however, sometimes I felt that a little bit more details could be provided when python code was being explained for week 2.
Révisé le 11 juil. 2021
Just like the other courses in the specialization, very well thought out and planned! Up to date, great professors . . . couldn't ask for more!
Révisé le 21 sept. 2020
The code examples may be more precise with detailed comments. Some codes are not understood, in other words codes can be refactored in a way that can be more suitable for reproducible studies.
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la Specializations, et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page de réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez auditer le cours gratuitement.
Si vous vous êtes abonné, vous bénéficiez d'une période d'essai gratuite de 7 jours pendant laquelle vous pouvez annuler votre abonnement sans pénalité. Après cette période, nous ne remboursons pas, mais vous pouvez résilier votre abonnement à tout moment. Consultez notre politique de remboursement complète.