این دوره دانش آموزان را با داده ها و آمار آشنا می کند. در پایان دوره، دانش‌آموزان باید بتوانند آمار توصیفی، تحلیل‌های علّی و تجسم‌سازی را برای به دست آوردن بینش معنادار تفسیر کنند. این دوره ابتدا چارچوبی را برای تفکر در مورد اهداف مختلف تجزیه و تحلیل آماری معرفی می کند. ما در مورد نحوه استفاده تحلیلگران از داده ها برای استنتاج توصیفی، علی و پیش بینی صحبت خواهیم کرد. سپس چگونگی توسعه یک مطالعه تحقیقاتی برای تحلیل علی، محاسبه و تفسیر آمار توصیفی و طراحی تجسم‌های مؤثر را پوشش خواهیم داد. این دوره به شما کمک می کند تا به یک مصرف کننده متفکر و منتقد تجزیه و تحلیل تبدیل شوید. اگر در زمینه ای هستید که به طور فزاینده ای به تصمیم گیری مبتنی بر داده متکی است، اما احساس می کنید برای تفسیر و ارزیابی داده ها آمادگی ندارید، این دوره به شما کمک می کند تا این ابزارهای اساسی سواد داده را توسعه دهید.

"درختان، SVM و یادگیری بدون نظارت" به گونه ای طراحی شده است که شالوده ای محکم در ماشین های بردار پشتیبان، شبکه های عصبی، درختان تصمیم گیری و تقویت XG به متخصصان کار ارائه دهد. از طریق آموزش های عمیق و تجربه عملی عملی، یاد خواهید گرفت که چگونه با استفاده از این تکنیک ها مدل های پیش بینی قدرتمند بسازید و مزایا و معایب هر کدام را درک کنید. این دوره همچنین نحوه و زمان اعمال آنها را در سناریوهای مختلف، از جمله طبقه بندی باینری و کلاس های K> 2 را پوشش می دهد. علاوه بر این، تجربه ارزشمندی در تولید نمایش داده ها از طریق PCA و خوشه بندی به دست خواهید آورد. این دوره با تمرکز بر کاربردهای عملی و دنیای واقعی، دارایی ارزشمندی برای هر کسی است که به دنبال ارتقاء مهارت یا حرکت در زمینه علم داده است. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

آزمایشات فاکتوریال اغلب در غربالگری فاکتور استفاده می شود. یعنی زیرمجموعه ای از عوامل را در یک فرآیند یا سیستم شناسایی کنید که برای پاسخ اهمیت اولیه دارند. هنگامی که مجموعه ای از عوامل مهم شناسایی شد، علاقه معمولاً به بهینه سازی تبدیل می شود. یعنی چه سطوحی از عوامل مهم بهترین مقادیر پاسخ را تولید می کنند. این دوره ابزارهای طراحی و بهینه سازی را برای پاسخ به این سؤالات با استفاده از چارچوب سطح پاسخ ارائه می دهد. سایر موضوعات مرتبط شامل طراحی و تجزیه و تحلیل آزمایش های رایانه ای، آزمایش با مخلوط ها و استراتژی های تجربی برای کاهش تأثیر عوامل غیرقابل کنترل بر تغییرپذیری ناخواسته در پاسخ است.

بسیاری از آزمایشات در مهندسی، علوم و کسب و کار شامل عوامل متعددی است. این دوره مقدمه ای بر این نوع آزمایشات چند عاملی است. استراتژی آزمایشی مناسب برای این موقعیت ها بر اساس طرح فاکتوریل است، نوعی آزمایش که در آن عوامل با هم متفاوت هستند. این دوره بر طراحی این نوع آزمایش ها و استفاده از ANOVA برای تجزیه و تحلیل داده های حاصل تمرکز دارد. این نوع آزمایش‌ها اغلب شامل عوامل مزاحم می‌شوند و اصل مسدود کردن را می‌توان در طرح‌های فاکتوریل برای مدیریت این موقعیت‌ها استفاده کرد. با افزایش تعداد فاکتورهای مورد علاقه، فاکتوریل های کامل بسیار گران می شوند و نسخه های کسری از طرح فاکتوریل مفید هستند. این دوره به مزایای فاکتوریل های کسری به همراه روش هایی برای ساخت و تجزیه و تحلیل داده های این آزمایش ها می پردازد.

قدرت و اندازه نمونه برای طرح های مطالعاتی طولی و چندسطحی، یک دوره پنج هفته ای کاملا آنلاین است که روش های نوآورانه و مبتنی بر تحقیق قدرت و اندازه نمونه و نرم افزار برای مطالعات چندسطحی و طولی را پوشش می دهد. روش ها و نرم افزارهای توان و حجم نمونه آموزش داده شده در این دوره را می توان برای هر برنامه مرتبط با سلامت یا به طور کلی تر، مرتبط با علوم اجتماعی (به عنوان مثال، تحقیقات آموزشی) استفاده کرد. تمام نمونه‌های موجود در ویدیوهای دوره از مطالعات دنیای واقعی در مورد علوم رفتاری و اجتماعی با استفاده از طرح‌های چندسطحی و طولی است. فلسفه دوره تمرکز بر دانش مفهومی برای انجام قدرت و روش های اندازه نمونه است. هدف از این دوره آموزش و انتشار روش‌هایی برای انتخاب دقیق اندازه نمونه و در نهایت ایجاد تجزیه و تحلیل قدرت/اندازه نمونه برای یک مطالعه تحقیقاتی مرتبط در زمینه حرفه‌ای شما است. انتخاب قدرت و حجم نمونه یکی از مهمترین سوالات اخلاقی محققین است. مطالعات مداخله‌ای که بسیار بزرگ هستند، شرکت‌کنندگان در تحقیقات داوطلب انسانی را در معرض آسیب‌های احتمالی و بی‌ضروری از تحقیقات قرار می‌دهند. مطالعات مداخله‌ای که بسیار کوچک هستند، در رسیدن به هدف علمی خود شکست خواهند خورد و باز هم آسیب‌های احتمالی را برای شرکت‌کنندگان در پژوهش وارد می‌کنند، بدون اینکه امکان سود همزمان از افزایش دانش وجود داشته باشد. برای مطالعات مشاهده‌ای که در آن هیچ آسیب احتمالی برای شرکت‌کنندگان وجود ندارد، مانند مطالعات مشاهده‌ای، قدرت مناسب، مدیریت خوب زمان و هزینه را تضمین می‌کند. اکثر بخش‌های مطالعاتی مؤسسه ملی بهداشت (NIH) تنها در صورتی کمک مالی را تأمین می‌کنند که دریافت‌کننده کمک هزینه یک تحلیل قدرت و اندازه نمونه قانع‌کننده و دقیق نوشته باشد. مؤسسه علوم تربیتی (IES)، بازوی آمار، تحقیق و ارزیابی وزارت آموزش ایالات متحده، همچنین کمک‌های مالی رقابتی را ارائه می‌کند که نیاز به قدرت قانع‌کننده و دقیق و تجزیه و تحلیل اندازه نمونه دارد (هدف 3: کارایی و تکرار و هدف 4: اثربخشی /افزایش مقیاس). در پایان دوره آنلاین، فراگیران قادر خواهند بود: • از یک چارچوب و استراتژی برای برنامه ریزی مطالعه استفاده کنند • اهداف مطالعه را به عنوان فرضیه های قابل آزمایش بنویسند • یک طرح مطالعه طولی و چند سطحی را توصیف کنند • یک طرح تحلیل آماری بنویسند • یک طرح نمونه برداری برای آن برنامه ریزی کنند. زیر گروه ها، به عنوان مثال نژادی و قومی • امکان پذیری استخدام را نشان دهید • داده های مورد انتظار گم شده و ترک تحصیل را شرح دهید • یک تحلیل قدرت و اندازه نمونه بنویسید که با تجزیه و تحلیل آماری برنامه ریزی شده هماهنگ باشد این یک دوره آنلاین فشرده و تعاملی پنج هفته ای است. ما از ترکیبی از فیلم‌های آموزشی، ویدیوهای نمایش نرم‌افزار، خواندن آنلاین، آزمون‌ها و تکالیف تمرینی استفاده خواهیم کرد. پروژه دوره نهایی یک مطالعه تحقیقاتی بررسی شده است که شما برای تجزیه و تحلیل قدرت آینده یا اندازه نمونه طراحی می کنید.

این یک دوره ابتدایی در طراحی آزمایش ها و تجزیه و تحلیل داده های حاصل است. هدف دوره یادگیری نحوه برنامه ریزی، طراحی و اجرای آزمایش ها به طور کارآمد و مؤثر و تجزیه و تحلیل داده های حاصل برای به دست آوردن نتایج عینی است. هر دو طراحی و مسائل تجزیه و تحلیل آماری مورد بحث قرار می گیرند. فرصت‌هایی برای استفاده از اصول آموزش داده شده در این دوره در تمام جنبه‌های محیط صنعتی و تجاری امروزی به وجود می‌آید. برنامه های کاربردی از زمینه های مختلف در طول دوره به تصویر کشیده خواهد شد. بسته‌های نرم‌افزاری کامپیوتری (JMP، Design-Expert، Minitab) برای پیاده‌سازی روش‌های ارائه‌شده استفاده خواهد شد و به طور گسترده نشان داده خواهد شد. همه آزمایش ها آزمایش های طراحی شده هستند. برخی از آنها طراحی ضعیفی دارند و برخی دیگر به خوبی طراحی شده اند. آزمایش‌هایی که به خوبی طراحی شده‌اند به شما این امکان را می‌دهند که نتایج قابل اعتماد و معتبری را سریع‌تر، آسان‌تر و با منابع کمتر نسبت به آزمایش‌هایی با طراحی ضعیف به دست آورید. شما در این دوره یاد خواهید گرفت که چگونه آزمایشات را به طور موثر برنامه ریزی، اجرا و تجزیه و تحلیل کنید.

به مدل های خطی پیشرفته برای علم داده کلاس 1: حداقل مربعات خوش آمدید. این کلاس مقدمه ای بر حداقل مربعات از منظر جبری خطی و ریاضی است. قبل از شروع کلاس مطمئن شوید که موارد زیر را دارید: - درک اولیه از جبر خطی و حساب دیفرانسیل و انتگرال چند متغیره. - درک اولیه از آمار و مدل های رگرسیون. - حداقل آشنایی کمی با ریاضیات مبتنی بر اثبات. - آشنایی اولیه با زبان برنامه نویسی R پس از گذراندن این دوره، دانش‌آموزان پایه محکمی در درمان جبری خطی مدل‌سازی رگرسیون خواهند داشت. این به میزان زیادی درک عمومی دانشمندان داده کاربردی از مدل‌های رگرسیون را افزایش می‌دهد.

به مدل های خطی پیشرفته برای علم داده کلاس 2: مدل های خطی آماری خوش آمدید. این کلاس مقدمه ای بر حداقل مربعات از منظر جبری خطی و ریاضی است. قبل از شروع کلاس مطمئن شوید که موارد زیر را دارید: - درک اولیه از جبر خطی و حساب دیفرانسیل و انتگرال چند متغیره. - درک اولیه از آمار و مدل های رگرسیون. - حداقل آشنایی کمی با ریاضیات مبتنی بر اثبات. - آشنایی اولیه با زبان برنامه نویسی R پس از گذراندن این دوره، دانش‌آموزان پایه محکمی در درمان جبری خطی مدل‌سازی رگرسیون خواهند داشت. این به میزان زیادی درک عمومی دانشمندان داده کاربردی از مدل‌های رگرسیون را افزایش می‌دهد.

در دوره پایانی برنامه مدل‌سازی آماری برای علم داده، فراگیران مجموعه گسترده‌ای از ابزارهای مدل‌سازی آماری پیشرفته‌تر را مطالعه خواهند کرد. چنین ابزارهایی شامل مدل های خطی تعمیم یافته (GLM) خواهند بود که مقدمه ای برای طبقه بندی (از طریق رگرسیون لجستیک) ارائه می دهند. مدل‌سازی ناپارامتریک، از جمله تخمین‌گرهای هسته، هموارسازی خطوط. و مدل های افزایشی تعمیم یافته نیمه پارامتریک (GAMs). تاکید بر درک مفهومی محکم از این ابزارها خواهد بود. همچنین به مسائل اخلاقی مطرح شده با استفاده از مدل‌های آماری پیچیده توجه خواهد شد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

مدل‌های خطی، همانطور که از نامشان پیداست، یک نتیجه را به مجموعه‌ای از پیش‌بینی‌کننده‌های مورد علاقه با استفاده از مفروضات خطی مرتبط می‌کنند. مدل‌های رگرسیون، زیرمجموعه‌ای از مدل‌های خطی، مهم‌ترین ابزار تحلیل آماری در جعبه ابزار یک دانشمند داده هستند. این دوره تحلیل رگرسیون، حداقل مربعات و استنتاج با استفاده از مدل های رگرسیون را پوشش می دهد. موارد خاص مدل رگرسیون، ANOVA و ANCOVA نیز پوشش داده خواهد شد. تجزیه و تحلیل باقیمانده ها و تنوع بررسی خواهد شد. این دوره تفکر مدرن در مورد انتخاب مدل و استفاده های جدید از مدل های رگرسیون از جمله هموارسازی پراکندگی را پوشش می دهد.

این دوره در درجه اول برای دانشجویان سال سوم و چهارم کارشناسی یا دانشجویان کارشناسی ارشد علاقه مند به یادگیری تکنیک های شبیه سازی برای حل مشکلات تجاری است. این دوره شما را با مسائل روزمره و پیچیده کسب و کار آشنا می کند که به دلیل عدم قطعیت هایی که در محیط های تجاری وجود دارد، پاسخ صحیحی ندارند. مدل سازی شبیه سازی به ما امکان می دهد تا نتایج مختلف را بررسی کنیم و از منافع شخصی یا تجاری در برابر نتایج ناخواسته محافظت کنیم. ما می توانیم عدم قطعیت ها را با استفاده از مفاهیم احتمال و تفکر گام به گام مدل سازی کنیم. تفکر گام به گام به ما این امکان را می دهد که مشکل را در اجزای کوچکتر تجزیه کنیم، وابستگی های بین رویدادهای مرتبط را بررسی کنیم و به ما امکان می دهد روی جنبه هایی از مشکل که به دلیل عدم قطعیت های آینده مستعد تغییر هستند تمرکز کنیم. این دوره شما را با تکنیک های پیشرفته اکسل برای مدل سازی و اجرای مدل های شبیه سازی آشنا می کند. بسیاری از تکنیک های Excel آموخته شده در این دوره فراتر از مدل سازی شبیه سازی مفید خواهند بود. ما هر دو تکنیک شبیه‌سازی مونت کارلو را که در آن نتیجه کلی مورد علاقه اولیه است و شبیه‌سازی رویداد گسسته را که در آن وابستگی‌های میانی بین رویدادهای مرتبط ممکن است مورد توجه باشد، یاد خواهیم گرفت. این دوره شما را با چندین موضوع کاربردی در مدل سازی شبیه سازی آشنا می کند که معمولاً در کتاب های درسی پوشش داده نمی شوند. این دوره از چند مثال در حال اجرا در طول دوره برای نشان دادن مفاهیم و ارائه نمونه های مدل سازی عینی استفاده می کند. پس از گذراندن دوره، دانش آموز می تواند مدل های شبیه سازی نسبتاً پیشرفته ای را برای کشف طیف وسیعی از محیط های تجاری و نتایج ایجاد کند.

بسیاری از آزمایش ها شامل عواملی هستند که سطوح آنها به طور تصادفی انتخاب می شوند. یک موقعیت شناخته شده مطالعه سیستم های اندازه گیری برای تعیین قابلیت آنها است. این دوره طراحی و تجزیه و تحلیل این نوع آزمایش ها از جمله روش های مدرن برای تخمین مولفه های تغییرپذیری در این سیستم ها را ارائه می دهد. این دوره همچنین آزمایش‌هایی با عوامل تودرتو، و آزمایش‌هایی با عواملی که به سختی تغییر می‌کنند که نیاز به طرح‌های تقسیم‌شده دارند را پوشش می‌دهد. ما همچنین یک نمای کلی از طرح‌ها برای آزمایش‌ها با توزیع پاسخ از توزیع‌های پاسخ غیرعادی و آزمایش‌ها با متغیرهای کمکی ارائه می‌کنیم.

در این دوره آموزشی، اصول اولیه درک داده هایی که در اختیار دارید و اینکه چرا طبقه بندی صحیح داده ها اولین قدم برای تصمیم گیری صحیح است را خواهید آموخت. با استفاده از آمار توصیفی و نرم افزار R داده ها را به صورت گرافیکی و عددی توصیف خواهید کرد. چهار توزیع احتمال که معمولاً در تجزیه و تحلیل داده ها استفاده می شود را یاد خواهید گرفت. شما مجموعه داده ها را با استفاده از توزیع احتمال مناسب تجزیه و تحلیل خواهید کرد. در نهایت، شما اصول اولیه خطای نمونه گیری، توزیع نمونه گیری و خطا در تصمیم گیری را خواهید آموخت. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

به مقدمه ای بر مدل سازی پیش بینی کننده، اولین دوره در تجزیه و تحلیل دانشگاه مینه سوتا برای تخصص تصمیم گیری خوش آمدید. این دوره مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را با تمرکز بر مدل های پیش بینی رگرسیون خطی و سری های زمانی و استفاده عملی از آنها در مایکروسافت اکسل به شما معرفی می کند. در پایان دوره، شما قادر خواهید بود: - مفاهیم، ​​فرآیندها و کاربردهای مدل سازی پیش بینی را درک کنید. - ساختار و شهود پشت مدل های رگرسیون خطی را درک کنید. - قادر به برازش مدل های رگرسیون خطی ساده و چندگانه با داده ها، تفسیر نتایج، ارزیابی خوب بودن برازش و استفاده از مدل های برازش برای پیش بینی. - مشکل اضافه برازش و عدم تناسب را درک کرده و قادر به انتخاب مدل ساده باشد. - درک مفاهیم، ​​فرآیندها و کاربردهای پیش بینی سری های زمانی به عنوان یک نوع خاص از مدل سازی پیش بینی کننده. - بتوانید چندین مدل پیش‌بینی سری زمانی (به عنوان مثال، هموارسازی نمایی و روش Holt-Winter) را در اکسل جاسازی کنید، خوب بودن تناسب را ارزیابی کنید و از مدل‌های برازش برای پیش‌بینی استفاده کنید. - انواع مختلف داده ها و نحوه استفاده از آنها در مدل های پیش بینی را درک کنید. - از Excel برای آماده سازی داده ها برای مدل سازی پیش بینی، از جمله کاوش الگوهای داده، تبدیل داده ها و مقابله با مقادیر گمشده استفاده کنید. این یک دوره مقدماتی برای مدل سازی پیش بینی است. این دوره ترکیبی از یادگیری مفهومی و عملی را ارائه می دهد. در طول دوره، ما به شما فرصت هایی برای تمرین تکنیک های مدل سازی پیش بینی بر روی مجموعه داده های دنیای واقعی با استفاده از Excel ارائه می دهیم. برای موفقیت در این دوره باید ریاضی پایه (مفهوم توابع، متغیرها و نمادهای ریاضی پایه مانند جمع و شاخص ها) و آمار پایه (همبستگی، میانگین نمونه، انحراف معیار و واریانس) را بدانید. این دوره نیازی به پیشینه برنامه نویسی ندارد، اما شما باید با عملیات اصلی اکسل (به عنوان مثال، فرمول های اولیه و نمودار) آشنا باشید. برای بهترین تجربه، باید نسخه اخیر مایکروسافت اکسل را روی رایانه خود نصب کنید (به عنوان مثال، اکسل 2013، 2016، 2019، یا آفیس 365).

"یادگیری آماری برای علم داده" دوره پیشرفته ای است که برای تجهیز متخصصان کار به دانش و مهارت های لازم برای برتری در زمینه علم داده طراحی شده است. از طریق آموزش جامع در مورد موضوعات کلیدی مانند روش‌های کوچک کردن، تحلیل رگرسیون پارامتری، مدل‌های خطی تعمیم‌یافته، و مدل‌های افزایشی کلی، دانش‌آموزان می‌آموزند که چگونه روش‌های نمونه‌گیری مجدد را برای به دست آوردن اطلاعات اضافی در مورد مدل‌های برازش، بهینه‌سازی روش‌های برازش برای بهبود دقت پیش‌بینی و تفسیرپذیری اعمال کنند. و مزایا و رویکرد مدل های غیر خطی را شناسایی کنید. این دوره برای هر کسی که به دنبال ارتقاء مهارت یا انتقال به یک حرفه در علم داده است، انتخاب مناسبی است. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

همه ما این جمله را شنیده‌ایم که «همبستگی مساوی علیت نیست». پس علت برابر چیست؟ هدف این دوره پاسخگویی به این سوال و موارد دیگر است! در طی یک دوره 5 هفته ای، یاد خواهید گرفت که چگونه اثرات علی تعریف می شوند، چه فرضیاتی در مورد داده ها و مدل های شما ضروری است، و چگونه برخی از روش های آماری رایج را پیاده سازی و تفسیر کنید. فراگیران این فرصت را خواهند داشت تا از این روش ها برای داده های مثال در R (محیط نرم افزار آماری رایگان) استفاده کنند. در پایان دوره، فراگیران باید بتوانند: 1. اثرات علی را با استفاده از پیامدهای بالقوه تعریف کنید 2. تفاوت بین ارتباط و علیت را شرح دهید 3. فرضیات را با نمودارهای علی بیان کنید 4. چندین نوع روش استنتاج علّی (به عنوان مثال تطبیق، متغیرهای ابزاری، احتمال معکوس وزن دهی درمان) را اجرا کنید. 5. مشخص کنید کدام فرض های علی برای هر نوع روش آماری ضروری است پس به ما بپیوندید و خودتان کشف کنید که چرا روش های آماری مدرن برای تخمین اثرات علی در بسیاری از زمینه های مطالعاتی ضروری هستند!