این دوره دوم در مدل‌سازی آماری دانشجویان را با مطالعه تحلیل واریانس (ANOVA)، تحلیل کوواریانس (ANCOVA) و طراحی تجربی آشنا می‌کند. ANOVA و ANCOVA که به عنوان یک نوع مدل رگرسیون خطی ارائه شده‌اند، مبنای ریاضی را برای طراحی آزمایش‌ها برای کاربردهای علم داده فراهم می‌کنند. تاکید بر مفاهیم مهم مرتبط با طراحی، مانند تصادفی سازی، مسدود کردن، طراحی فاکتوریل و علیت خواهد بود. همچنین به مسائل اخلاقی که در آزمایش‌ها مطرح می‌شوند، توجه خاصی می‌شود. 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

این دوره روش‌های استنتاج آماری رایج را برای داده‌های عددی و طبقه‌ای پوشش می‌دهد. شما یاد خواهید گرفت که چگونه تست های فرضیه را تنظیم و انجام دهید، مقادیر p را تفسیر کنید، و نتایج تجزیه و تحلیل خود را به گونه ای گزارش کنید که برای مشتریان یا عموم قابل تفسیر باشد. با استفاده از مثال های داده های متعدد، یاد خواهید گرفت که تخمین های کمیت ها را به گونه ای گزارش کنید که عدم قطعیت کمیت مورد علاقه را بیان کند. شما از طریق نصب و استفاده از R و RStudio (نرم افزار آماری رایگان) راهنمایی خواهید شد و از این نرم افزار برای تمرینات آزمایشگاهی و پروژه نهایی استفاده خواهید کرد. این دوره ابزارهای عملی را برای انجام تجزیه و تحلیل داده ها معرفی می کند و مفاهیم اساسی لازم برای تفسیر و گزارش نتایج را برای داده های دسته بندی و عددی بررسی می کند.

مقدمه‌ای بر آماری که در پشت محبوب‌ترین پروژه‌های علم داده ژنومی قرار دارد. این ششمین دوره در تخصص علم ژنومیک داده های بزرگ از دانشگاه جان هاپکینز است.

این دوره رویکرد بیزی به آمار را معرفی می کند که با مفهوم احتمال شروع می شود و به تجزیه و تحلیل داده ها می رود. ما در مورد فلسفه رویکرد بیزی و همچنین نحوه پیاده سازی آن برای انواع رایج داده ها خواهیم آموخت. ما رویکرد بیزی را با رویکرد متداول‌تر آموزش داده شده مقایسه می‌کنیم و برخی از مزایای رویکرد بیزی را مشاهده می‌کنیم. به طور خاص، رویکرد بیزی امکان حسابداری بهتر عدم قطعیت، نتایجی که معنای شهودی و قابل تفسیر بیشتری دارند، و اظهارات صریح تری از مفروضات را فراهم می کند. این دوره فیلم های سخنرانی، نمایش های کامپیوتری، خواندن، تمرین ها و تابلوهای بحث را برای ایجاد یک تجربه یادگیری فعال ترکیب می کند. برای محاسبات، می‌توانید از مایکروسافت اکسل یا بسته آماری منبع باز و آزادانه R، با محتوای معادل برای هر دو گزینه استفاده کنید. این سخنرانی ها برخی از پیشرفت های اساسی ریاضی و همچنین توضیحاتی در مورد فلسفه و تفسیر را ارائه می دهد. تکمیل این دوره به شما درکی از مفاهیم رویکرد بیزی، درک تفاوت‌های کلیدی بین رویکردهای بیزی و مکرر، و توانایی انجام تجزیه و تحلیل داده‌های پایه را می‌دهد.

این دوره برای تمرین و مشتاق دانشمندان داده و آمار. این چهارمین توالی چهار دوره ای است که مبانی آمار بیزی را معرفی می کند. این بر اساس دوره آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها، تکنیک ها و مدل ها، و مدل های مخلوط است. تجزیه و تحلیل سری های زمانی با مدل سازی وابستگی بین عناصر یک دنباله از متغیرهای زمانی مرتبط است. برای موفقیت در این دوره باید با احتمالات مبتنی بر حساب دیفرانسیل و انتگرال، اصول تخمین حداکثر درستنمایی و استنتاج بیزی آشنا باشید. شما یاد خواهید گرفت که چگونه مدل هایی بسازید که می توانند وابستگی های زمانی را توصیف کنند و چگونه استنتاج و پیش بینی بیزی را برای مدل ها انجام دهید. شما آنچه را که آموخته اید با نرم افزار منبع باز و رایگان در دسترس R با پایگاه داده های نمونه اعمال خواهید کرد. مربی شما راکل پرادو شما را از مفاهیم اولیه برای مدل‌سازی داده‌های وابسته به زمانی تا اجرای کلاس‌های خاصی از مدل‌ها راهنمایی می‌کند.

این دومین مورد از یک دنباله دو دوره ای است که مبانی آمار بیزی را معرفی می کند. این بر اساس دوره آمار بیزی: از مفهوم تا تجزیه و تحلیل داده ها است که روش های بیزی را با استفاده از مدل های مزدوج ساده معرفی می کند. داده‌های دنیای واقعی اغلب به مدل‌های پیچیده‌تری برای رسیدن به نتایج واقعی نیاز دارند. این دوره با هدف گسترش "جعبه ابزار بیزی" ما با مدل های عمومی تر و تکنیک های محاسباتی متناسب با آنها است. به طور خاص، ما روش‌های مونت کارلوی زنجیره مارکوف (MCMC) را معرفی می‌کنیم که امکان نمونه‌گیری از توزیع‌های پسینی را که هیچ راه‌حل تحلیلی ندارند، می‌سازد. ما از نرم افزار منبع باز و رایگان در دسترس R (برخی تجربه فرض می شود، به عنوان مثال، تکمیل دوره قبلی در R) و JAGS (بدون نیاز به تجربه) استفاده خواهیم کرد. ما یاد خواهیم گرفت که چگونه مدل های آماری بیزی را بسازیم، برازش کنیم، ارزیابی کنیم و مقایسه کنیم تا به سوالات علمی شامل داده های پیوسته، باینری و شمارش پاسخ دهیم. این دوره فیلم های سخنرانی، نمایش های کامپیوتری، خواندن، تمرین ها و تابلوهای بحث را برای ایجاد یک تجربه یادگیری فعال ترکیب می کند. این سخنرانی‌ها برخی از پیشرفت‌های ریاضی پایه، توضیحاتی در مورد فرآیند مدل‌سازی آماری، و چند تکنیک مدل‌سازی اساسی که معمولاً توسط آماردانان استفاده می‌شود، ارائه می‌دهد. نمایش‌های رایانه‌ای راه‌حل‌های دقیق و عملی را ارائه می‌دهند. تکمیل این دوره به شما امکان می دهد تا به طیف گسترده ای از ابزارهای تحلیلی بیزی دسترسی داشته باشید که بر اساس داده های شما قابل تنظیم هستند.

درک آمار برای درک تحقیق در علوم اجتماعی و رفتاری ضروری است. در این دوره با اصول آمار آشنا می شوید. نه فقط نحوه محاسبه آنها، بلکه نحوه ارزیابی آنها. این دوره همچنین شما را برای دوره بعدی در تخصص - دوره آمار استنباطی - آماده می کند. در بخش اول دوره به روش های آمار توصیفی می پردازیم. شما یاد خواهید گرفت که موارد و متغیرها چیست و چگونه می توانید معیارهای گرایش مرکزی (میانگین، میانه و حالت) و پراکندگی (انحراف استاندارد و واریانس) را محاسبه کنید. در ادامه، نحوه ارزیابی روابط بین متغیرها را مورد بحث قرار می دهیم و مفاهیم همبستگی و رگرسیون را معرفی می کنیم. بخش دوم این دوره به مبانی احتمال مربوط می شود: محاسبه احتمالات، توزیع های احتمال و توزیع های نمونه. برای درک نحوه عملکرد آمار استنباطی باید در مورد این موارد بدانید. بخش سوم دوره شامل مقدمه‌ای بر روش‌های آمار استنباطی است - روش‌هایی که به ما کمک می‌کنند تصمیم بگیریم آیا الگوهایی که در داده‌هایمان می‌بینیم به اندازه کافی قوی هستند تا در مورد جمعیت زیربنایی مورد علاقه ما نتیجه‌گیری کنیم. ما در مورد فواصل اطمینان و آزمون های اهمیت شما نه تنها در مورد تمام این مفاهیم آماری یاد خواهید گرفت، بلکه آموزش می بینید که خودتان با استفاده از نرم افزارهای آماری در دسترس، این آمار را محاسبه و تولید کنید.

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • با استفاده از مفاهیم احتمال، متغیرهای تصادفی، و توزیع احتمال، عدم قطعیت ذاتی در پیش‌بینی‌های مدل‌های یادگیری ماشین را توصیف و کمی کنید. • درک بصری و شهودی خواص توزیع‌های احتمال رایج در یادگیری ماشین و علم داده مانند توزیع‌های برنولی، دوجمله‌ای و گاوسی • روش‌های آماری رایج مانند برآورد حداکثر احتمال (MLE) و حداکثر تخمین پیشینی (MAP) را برای مشکلات یادگیری ماشین اعمال کنید. • ارزیابی عملکرد مدل های یادگیری ماشین با استفاده از تخمین های بازه ای و حاشیه خطاها • استفاده از مفاهیم آزمون فرضیه های آماری در آزمون های رایج در علم داده مانند آزمون AB • تجزیه و تحلیل داده های اکتشافی را روی یک مجموعه داده برای یافتن، اعتبارسنجی و کمی کردن الگوها انجام دهید. بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

ما در دنیایی نامطمئن و پیچیده زندگی می کنیم، با این حال پیوسته باید در زمان حال با نتایج نامشخص آینده تصمیم گیری کنیم. در واقع، ما باید مراقب "قوهای سیاه" باشیم - رویدادهای با احتمال کم و تاثیر زیاد. درس خوندن یا نخواندن؟ سرمایه گذاری کنیم یا سرمایه گذاری نکنیم؟ ازدواج کردن یا عدم ازدواج؟ در حالی که عدم اطمینان تصمیم گیری را دشوار می کند، حداقل زندگی را هیجان انگیز می کند! اگر تمام آینده از قبل شناخته شده بود، هرگز عنصر غافلگیری وجود نداشت. چه آینده خوب باشد چه آینده بد، آینده ای شناخته شده خواهد بود. در این دوره ما ابزارهای مفید بسیاری را برای مقابله با عدم قطعیت در نظر می گیریم و به ما کمک می کند تا تصمیمات آگاهانه (و در نتیجه بهتر) بگیریم - مهارت های ضروری برای یک عمر تصمیم گیری خوب. موضوعات کلیدی شامل کمی سازی عدم قطعیت با احتمال، آمار توصیفی، تخمین نقطه و فاصله میانگین ها و نسبت ها، مبانی آزمون فرضیه ها، و انتخابی از کاربردهای چند متغیره از اصطلاحات و مفاهیم کلیدی است که در طول دوره دیده می شود.

استنتاج آماری فرآیند نتیجه گیری در مورد جمعیت ها یا حقایق علمی از داده ها است. روش‌های زیادی برای انجام استنتاج وجود دارد که از جمله آن‌ها می‌توان به مدل‌سازی آماری، استراتژی‌های داده‌محور و استفاده صریح از طرح‌ها و تصادفی‌سازی در تحلیل‌ها اشاره کرد. علاوه بر این، تئوری‌های گسترده‌ای (تکرارگرا، بیزی، احتمال، مبتنی بر طراحی، ...) و پیچیدگی‌های متعدد (داده‌های از دست رفته، آشفتگی مشاهده شده و مشاهده نشده، سوگیری‌ها) برای انجام استنتاج وجود دارد. یک تمرین‌کننده اغلب می‌تواند در پیچ و خم ناتوان‌کننده‌ای از تکنیک‌ها، فلسفه‌ها و نکات ظریف رها شود. این دوره اصول استنتاج را در یک رویکرد عملی برای انجام کارها ارائه می دهد. پس از گذراندن این دوره، دانشجویان جهات گسترده استنتاج آماری را درک کرده و از این اطلاعات برای انتخاب آگاهانه در تجزیه و تحلیل داده ها استفاده می کنند.

این دوره استنتاج آماری، توزیع های نمونه گیری و فواصل اطمینان را معرفی می کند. دانش‌آموزان یاد خواهند گرفت که چگونه تخمین‌زن‌های خوب، روش تخمین لحظه‌ها، تخمین حداکثر احتمال، و روش‌های ساخت فواصل اطمینان را تعریف و بسازند که به تنظیمات عمومی‌تر گسترش می‌یابد. 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 کریستوفر برنز در Unsplash.

این دوره یک بررسی دقیق ریاضی از استنتاج علی در سطح کارشناسی ارشد ارائه می دهد. استنباط در مورد علیت در علم، پزشکی، سیاست و تجارت اهمیت زیادی دارد. این دوره مقدمه ای بر ادبیات آماری در مورد استنتاج علی ارائه می دهد که در 35-40 سال اخیر ظهور کرده است و روشی را که در آن آماردانان و محققان کاربردی در بسیاری از رشته ها از داده ها برای استنباط در مورد روابط علی استفاده می کنند متحول کرده است. ما روش هایی را برای جمع آوری داده ها برای تخمین روابط علّی مطالعه خواهیم کرد. دانش آموزان یاد خواهند گرفت که چگونه بین روابط علی و غیر علی تمایز قائل شوند. این همیشه واضح نیست. سپس روش‌های مختلفی را که دانش‌آموزان می‌توانند از آن استفاده کنند - مانند تطبیق، طبقه‌بندی فرعی در امتیاز تمایل، احتمال معکوس وزن‌دهی درمان، و یادگیری ماشینی - برای تخمین انواع اثرات - مانند میانگین اثر درمان و تاثیر درمان بر درمان شده در پایان، روش‌هایی را برای ارزیابی برخی از مفروضاتی که ساخته‌ایم بحث می‌کنیم، و نگاهی مشتاقانه به برنامه‌های افزودنی که در ادامه این دوره می‌گیریم، ارائه می‌کنیم.

این دوره یک بررسی دقیق ریاضی از موضوعات پیشرفته در استنتاج علی در سطح کارشناسی ارشد ارائه می دهد. استنباط در مورد علیت در علم، پزشکی، سیاست و تجارت اهمیت زیادی دارد. این دوره مقدمه ای بر ادبیات آماری در مورد استنتاج علی ارائه می دهد که در 35-40 سال اخیر ظهور کرده است و روشی را که در آن آماردانان و محققان کاربردی در بسیاری از رشته ها از داده ها برای استنباط در مورد روابط علی استفاده می کنند متحول کرده است. ما موضوعات پیشرفته در استنتاج علی، از جمله مدل‌های میانجی، طبقه‌بندی اصلی، استنتاج علی طولی، ناپیوستگی رگرسیون، تداخل و مدل‌های اثرات ثابت را مطالعه خواهیم کرد.

هدف این MOOC نشان دادن این است که روش های اقتصادسنجی اغلب برای پاسخ به سؤالات مورد نیاز است. ابتدا یک سوال مطرح می شود، سپس داده ها جمع آوری می شوند، و سپس در نهایت مدل یا روش وارد می شود. با این حال، بسته به داده ها، ممکن است این اتفاق بیفتد که روش ها نیاز به تطبیق داشته باشند. به عنوان مثال، جایی که ابتدا به دو متغیر نگاه می کنیم، بعداً ممکن است نیاز به بررسی سه یا بیشتر داشته باشیم. یا زمانی که داده ها از دست رفته اند، پس چه کنیم؟ و اگر داده‌ها مانند تعداد مقاله‌های روزنامه‌ای که به کسی استناد می‌کنند، حساب شوند، ممکن است اوضاع نیز تغییر کند. اما این اصلاحات همیشه آخرین هستند و فقط در صورت مرتبط بودن در نظر گرفته می شوند. انگیزه مهمی برای من برای ساختن این MOOC این است که تاکید کنم که مدل‌ها و روش‌های اقتصادسنجی را می‌توان برای تنظیمات غیرمتعارف‌تر نیز اعمال کرد، که معمولاً تنظیماتی هستند که در آن پزشک ابتدا باید داده‌های خود را جمع‌آوری کند. چنین جمع آوری را می توان با ترکیب دقیق پایگاه های داده موجود، و همچنین با برگزاری نظرسنجی ها یا اجرای آزمایش ها انجام داد. یک محصول جانبی جمع آوری داده های خود این است که به انتخاب روش ها و تکنیک های بالقوه موجود کمک می کند. اگر به دنبال یک MOOC در اقتصاد سنجی هستید که به روش های (ریاضی و آماری) اقتصاد سنجی و کاربردهای آنها می پردازد، ممکن است به دوره Coursera "اقتصاد سنجی: روش ها و کاربردها" که همچنین از دانشگاه اراسموس روتردام است علاقه مند شوید.

خوش آمدید! آیا می خواهید بدانید چگونه با ابزارهای تجزیه و تحلیل داده ها سوالات تجاری و اقتصادی را تجزیه و تحلیل و حل کنید؟ سپس Econometrics توسط دانشگاه اراسموس روتردام دوره مناسبی برای شما است، زیرا یاد می‌گیرید چگونه داده‌ها را به مدل‌هایی برای پیش‌بینی و حمایت از تصمیم‌گیری ترجمه کنید. * چه چیزی یاد بگیرم؟ وقتی اقتصاد سنجی می دانید، می توانید داده ها را به مدل هایی برای پیش بینی ها و حمایت از تصمیم گیری در زمینه های مختلف، از اقتصاد کلان گرفته تا امور مالی و بازاریابی، تبدیل کنید. دوره ما با سخنرانی های مقدماتی در مورد رگرسیون ساده و چندگانه شروع می شود و به دنبال آن موضوعات مورد علاقه ویژه برای پرداختن به مشخصات مدل، متغیرهای درون زا، داده های انتخاب باینری و داده های سری زمانی قرار می گیرد. این موضوعات کلیدی در اقتصاد سنجی را با تماشای ویدئوها با آزمون های درون ویدئویی و با انجام تمرین های آموزشی پس از ویدئو یاد می گیرید. * آیا به دانش قبلی نیاز دارم؟ این دوره برای دانشجویان (در مقطع کارشناسی ارشد) در اقتصاد، مالی، بازرگانی، مهندسی و تجزیه و تحلیل داده ها و همچنین برای کسانی که در این زمینه ها کار می کنند مناسب است. این دوره به برخی اصول اولیه ماتریس ها، احتمالات و آمار نیاز دارد که در ماژول Building Blocks بررسی می شوند. اگر به دنبال یک MOOC در اقتصاد سنجی با ماهیت مقدماتی هستید که به پیشینه کمتری در ریاضیات نیاز دارد، ممکن است به دوره Coursera "اقتصاد سنجی لذت بخش" که همچنین از دانشگاه اراسموس روتردام است علاقه مند شوید. * برای حمایت از مطالعاتم از چه ادبیاتی می توانم استفاده کنم؟ شما می توانید MOOC را بدون مطالعه منابع اضافی دنبال کنید. مطالعه بیشتر موضوعات مورد بحث (از جمله بلوک‌های ساختمانی) در کتاب درسی که نوشتیم و MOOC بر آن استوار است ارائه شده است: روش‌های اقتصادسنجی با کاربردها در تجارت و اقتصاد، انتشارات دانشگاه آکسفورد. ارتباط بین ماژول های MOOC و فصل های کتاب در راهنمای دوره نشان داده شده است - اطلاعات بیشتر - چگونه می توانم به تحصیل خود ادامه دهم. * آیا دستیاران آموزشی فعالی خواهند بود که من را در طول دوره راهنمایی کنند؟ کارکنان و دانشجویان دکتری موسسه اقتصاد سنجی ما در ژانویه و فوریه هر سال راهنمایی خواهند کرد. در دوره های دیگر فقط راهنمایی ابتدایی می کنیم. ما همیشه به شما توصیه می کنیم که برای بحث در مورد موضوعات و تمرینات با سایر فراگیران این دوره ارتباط برقرار کنید. * چگونه گواهینامه بگیرم؟ برای کسب گواهینامه این دوره، از شما خواسته می شود که شش تمرین تست (یک مورد در هر ماژول) و یک پروژه موردی را انجام دهید. علاوه بر این، شما فعالیت های بازبینی همتای کار سه نفر از همتایان خود را در این MOOC انجام می دهید. اگر تمام هفت تکالیف را بگذرانید، گواهینامه را دریافت می کنید. سفر خوبی به دنیای اقتصاد سنجی داشته باشید! تیم اقتصاد سنجی

در این دوره، کاوش خود را در مورد تکنیک های استنتاج آماری با تمرکز بر علم و هنر تطبیق مدل های آماری با داده ها گسترش خواهیم داد. ما بر روی مفاهیم ارائه شده در دوره استنتاج آماری (دوره 2) برای تأکید بر اهمیت اتصال سؤالات تحقیق به روش های تجزیه و تحلیل داده های خود، تکیه خواهیم کرد. ما همچنین بر اهداف مختلف مدل سازی، از جمله استنتاج در مورد روابط بین متغیرها و ایجاد پیش بینی برای مشاهدات آینده، تمرکز خواهیم کرد. این دوره تکنیک های مختلف مدل سازی آماری از جمله رگرسیون خطی، رگرسیون لجستیک، مدل های خطی تعمیم یافته، مدل های اثرات سلسله مراتبی و ترکیبی (یا چند سطحی) و تکنیک های استنتاج بیزی را معرفی و بررسی می کند. همه تکنیک‌ها با استفاده از مجموعه‌های داده واقعی نشان داده می‌شوند، و این دوره بر رویکردهای مدل‌سازی مختلف برای انواع مختلف مجموعه داده‌ها، بسته به طرح مطالعه زیربنای داده‌ها تأکید می‌کند (اشاره به دوره 1، درک و تجسم داده‌ها با پایتون) . در طول این جلسات مبتنی بر آزمایشگاه، فراگیران از طریق آموزش هایی با تمرکز بر مطالعات موردی خاص برای کمک به تقویت مفاهیم آماری هفته، که شامل غواصی عمیق بیشتر در کتابخانه های پایتون از جمله Statsmodels، Pandas و Seaborn است، کار خواهند کرد. این دوره از محیط نوت بوک Jupyter در Coursera استفاده می کند.

هدف این دوره کمک به شما برای استنتاج آماری بهتر از تحقیقات تجربی است. ابتدا، نحوه تفسیر صحیح مقادیر p، اندازه اثر، فواصل اطمینان، عوامل بیز، و نسبت‌های احتمال را مورد بحث قرار می‌دهیم، و اینکه چگونه این آمار به سوالات مختلفی که ممکن است به آنها علاقه مند باشید پاسخ می‌دهند. سپس، نحوه طراحی آزمایش‌هایی را که نرخ مثبت کاذب کنترل می شود و چگونه می توان در مورد حجم نمونه برای مطالعه خود تصمیم گرفت، به عنوان مثال به منظور دستیابی به قدرت آماری بالا. متعاقباً، یاد خواهید گرفت که چگونه شواهد را در ادبیات علمی با توجه به سوگیری انتشار گسترده تفسیر کنید، برای مثال با یادگیری در مورد تجزیه و تحلیل منحنی p. در نهایت، ما در مورد چگونگی انجام فلسفه علم، ساخت نظریه، و علم تجمعی، از جمله نحوه انجام مطالعات تکرار، چرایی و نحوه پیش ثبت نام آزمایش خود، و نحوه به اشتراک گذاشتن نتایج خود با رعایت اصول علوم باز صحبت خواهیم کرد. به طور عملی، به صورت عملی، یاد خواهید گرفت که چگونه آزمون های t را شبیه سازی کنید تا بفهمید کدام مقادیر p را می توانید انتظار داشته باشید، نسبت احتمال را محاسبه کنید و آمار بیزی دو جمله ای را معرفی کنید، و در مورد ارزش پیش بینی مثبت که احتمال منتشر شده را بیان می کند، یاد خواهید گرفت. یافته های تحقیق درست است ما مشکلات مربوط به توقف اختیاری را تجربه خواهیم کرد و نحوه جلوگیری از این مشکلات را با استفاده از تحلیل های متوالی یاد خواهیم گرفت. اندازه افکت‌ها را محاسبه می‌کنید، خواهید دید که فواصل اطمینان از طریق شبیه‌سازی چگونه کار می‌کنند، و انجام تحلیل‌های توان پیشینی را تمرین می‌کنید. در نهایت، یاد خواهید گرفت که چگونه با استفاده از آزمون هم ارزی و آمار بیزی صحت فرضیه صفر را بررسی کنید و چگونه یک مطالعه را از قبل ثبت کنید و داده های خود را در چارچوب علوم باز به اشتراک بگذارید. اکنون همه ویدیوها زیرنویس چینی دارند. بیش از 30000 زبان آموز تاکنون ثبت نام کرده اند! اگر از این دوره لذت بردید، می توانم توصیه کنم آن را با دوره جدید "بهبود سوالات آماری شما" دنبال کنید.

هدف این دوره کمک به شما برای پرسیدن سوالات آماری بهتر هنگام انجام تحقیقات تجربی است. ما در مورد چگونگی طراحی مطالعات آموزنده بحث خواهیم کرد، چه زمانی که پیش‌بینی‌های شما درست باشد و چه زمانی که پیش‌بینی‌های شما اشتباه است. ما هنجارها را زیر سوال می بریم و در مورد اینکه چگونه می توانیم شیوه های تحقیق را برای پرسیدن سوالات جالب تر بهبود دهیم، فکر می کنیم. در عملی تکالیف، تکنیک‌ها و ابزارهایی را یاد خواهید گرفت که می‌توانند فوراً در تحقیقات خود پیاده‌سازی شوند، مانند فکر کردن به کوچک‌ترین اندازه اثر مورد علاقه‌تان، توجیه حجم نمونه‌تان، ارزیابی یافته‌های موجود در ادبیات و در عین حال در نظر گرفتن سوگیری انتشارات. ، انجام یک متاآنالیز و ساختن آنالیزهای خود از نظر محاسباتی قابل تکرار. اگر وقت دارید، توصیه می شود قبل از ثبت نام در این دوره، دوره من 'بهبود استنباط های آماری شما' را کامل کنید، اگرچه این دوره کاملاً مستقل است.

مفاهیم اساسی در تجزیه و تحلیل داده ها و استنتاج آماری را با تمرکز بر یک و دو نمونه مستقل بیاموزید.

در این دوره، شما یاد خواهید گرفت که سیستم های اندازه گیری را برای ثبات و قابلیت فرآیند تجزیه و تحلیل کنید و اینکه چرا داشتن یک فرآیند اندازه گیری پایدار قبل از انجام هر گونه تحلیل آماری ضروری است. شما سیستم‌های اندازه‌گیری پیوسته را تجزیه و تحلیل می‌کنید و با استفاده از نرم‌افزار R، دقت و صحت را از نظر آماری مشخص می‌کنید. شما تجزیه و تحلیل سیستم های اندازه گیری را برای کنترل آماری بالقوه، کوتاه مدت و بلند مدت و قابلیت انجام خواهید داد. علاوه بر این، شما یاد خواهید گرفت که چگونه یک اندازه گیری گسسته را ارزیابی کنید و تجزیه و تحلیل هایی را برای سازگاری داخلی، تطابق بین ارزیاب ها و تطابق با یک استاندارد انجام دهید. در نهایت، نحوه تصمیم گیری در مورد بهبود فرآیند سیستم های اندازه گیری را یاد خواهید گرفت. این تخصص را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) ارائه شده در پلت فرم Coursera در نظر گرفت. 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.