Ничего не найдено

Статистика 2

В данном курсе вы расширите и отточите свой инструментарий хакерской статистики.

Екатерина  Герц
Преподаватель

Екатерина Герц

Практикующий Fullstack разработчик: Python, JavaScript, React, Node.js

5часов
15видео
51упражнение
5550опыта
Описание курсаПосле завершения курса "Статистическое мышление в Python" (часть 1) вы приобрели опыт в вероятностном мышлении и базовых навыков хакерской статистики. Погрузились в датасеты и извлекли из них полезную информацию. В данном курсе вы расширите и отточите свой инструментарий хакерской статистики. Познакомитесь с выполнением двух ключевых задач статистического вывода: оценкой параметров и проверкой гипотез. В процессе обучения вы будете работать с реальными датасетами, кульминацией которого станет анализ измерений клювов знаменитых дарвиновских вьюрков. Вы приобретете новые знания, попрактикуетесь и научитесь решать собственные проблемы в реальной жизни.
1.  Оценка параметров путем оптимизации
При проведении статистических выводов мы говорим на языке вероятности. Вероятностное распределение, описывающее ваши данные, имеет параметры. Основной целью статистического вывода является оценка значения этих параметров. Это позволяет нам кратко и однозначно описать наши данные и сделать выводы. В этой главе вы узнаете, как найти оптимальные параметры, которые лучше всего описывают ваши данные.

2.  Доверительные интервалы метода Bootstrap
"Заниматься саморазвитием" – классическая идиома, означающая, что вы решаете сложную задачу самостоятельно, без посторонней помощи. В статистических выводах вы узнаете, что произойдет, если повторить получение данных бесконечное число раз. Эта задача невыполнима. Можем ли мы использовать только те данные, которые у нас действительно есть, чтобы приблизиться к тому же результату, что и при бесконечном количестве экспериментов? Ответ – да! Техника, позволяющая это сделать, называется бутстрэппинг. В этой главе мы познакомим вас с этим мощным инструментом.

3.  Введение в проверку гипотез
Вы уже знаете, как определить и оценить параметры данной модели. Но остается вопрос: насколько целесообразно вести наблюдение за данными, если модель верна? Этот вопрос решается с помощью проверки гипотез. Они являются глазурью на торте умозаключений. После завершения этой главы вы сможете тщательно строить и проверять гипотезы с помощью хакерской статистики.

4.  Примеры проверки гипотез
Как вы видели из предыдущей главы, проверка гипотез может быть сложной. Нужно определить нулевую гипотезу, придумать, как ее моделировать, и вычислить p-значение. Попрактикуемся в проверке гипотез, чтобы закрепить пройденный материал.

5.  Примеры проверки гипотез
Каждый год на протяжении последних 40 с лишним лет Питер и Розмари Грант отправлялись на галапагосский остров Дафни-Майор. Они собирали данные о дарвиновских вьюрках. Используйте свои знания в статистических выводах, и изучите датасет эволюции данных птиц в действии. Это отличный способ закончить курс!

ООО «Дипскиллс»
г. Москва, ул. Измайловский Вал, д. 2
© DeepSkills, 2023