این دوره مجموعه ای از ابزارهای مدل سازی آماری پایه را برای علم داده ارائه می دهد. به طور خاص، دانش‌آموزان با روش‌ها، نظریه‌ها و کاربردهای مدل‌های آماری خطی آشنا می‌شوند که موضوعات تخمین پارامتر، تشخیص باقی‌مانده، خوب بودن تناسب، و استراتژی‌های مختلف برای انتخاب متغیر و مقایسه مدل را پوشش می‌دهد. همچنین به استفاده نادرست از مدل های آماری و پیامدهای اخلاقی این سوء استفاده ها 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

به تحلیل سری زمانی عملی خوش آمدید! بسیاری از ما تحلیل گران داده «تصادفی» هستیم. ما در علوم، تجارت یا مهندسی آموزش دیدیم و سپس با داده هایی مواجه شدیم که هیچ آموزش تحلیلی رسمی برای آنها نداریم. این دوره برای افرادی با برخی شایستگی‌های فنی طراحی شده است که بیشتر از یک رویکرد «کتاب آشپزی» می‌خواهند، اما هنوز باید بر روی انواع ارائه و تحلیل معمول تمرکز کنند که درک موضوعات حرفه‌ای ما را عمیق‌تر می‌کند. در تجزیه و تحلیل سری زمانی عملی، ما به مجموعه داده هایی نگاه می کنیم که اطلاعات متوالی را نشان می دهند، مانند قیمت سهام، بارندگی سالانه، فعالیت لکه های خورشیدی، قیمت محصولات کشاورزی و غیره. ما به چندین مدل ریاضی نگاه می کنیم که ممکن است برای توصیف فرآیندهایی که این نوع داده ها را تولید می کنند استفاده شوند. ما همچنین به نمایش های گرافیکی نگاه می کنیم که بینش هایی را در مورد داده های ما ارائه می دهد. در نهایت، ما همچنین یاد می‌گیریم که چگونه پیش‌بینی‌هایی انجام دهیم که چیزهای هوشمندانه‌ای را در مورد انتظارات ما در آینده بیان کند. لطفا چند دقیقه وقت بگذارید و سایت دوره را بررسی کنید. شما سخنرانی های ویدیویی را با مطالب نوشته شده و همچنین آزمون هایی برای کمک به تأکید بر نکات مهم پیدا خواهید کرد. زبان دوره R است، یک پیاده سازی رایگان از زبان S. این یک محیط حرفه ای و نسبتا آسان برای یادگیری است. شما می توانید مطالب مربوط به دوره را با سایر فراگیران خود در میان بگذارید. لطفا کمی وقت بگذارید و خودتان را معرفی کنید! تجزیه و تحلیل سری های زمانی می تواند برای یادگیری تلاش کند - ما سعی کرده ایم ایده هایی را ارائه دهیم که "ماموریت حیاتی" هستند به گونه ای که شما به اندازه کافی از ریاضیات را درک کنید تا از آن راضی شوید و در عین حال فوراً سازنده باشید. امیدواریم از کلاس لذت ببرید!

پس از تولید داده ها، باید با انجام یک تحلیل آماری مناسب به سؤال تحقیق پاسخ دهیم. مهندسان و متخصصان کسب و کار باید بدانند که از کدام آزمون یا آزمایش استفاده کنند. از طریق این کلاس، شما قادر خواهید بود یک آزمایش نمونه را برای مقایسه با داده های تاریخی انجام دهید. همچنین می توانید روابط آماری معنی داری بین دو متغیر را تعیین کنید. شما می توانید دو آزمون نمونه را برای داده های مستقل و وابسته انجام دهید. در نهایت، داده‌های بیش از دو گروه را با استفاده از تحلیل واریانس تجزیه و تحلیل خواهید کرد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) که در پلت فرم Coursera ارائه می شود، گذراند. ME-EM برای کمک به مهندسان، دانشمندان و متخصصان فنی طراحی شده است تا به سمت نقش های رهبری و مدیریت در بخش های مهندسی و فنی حرکت کنند. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، ME-EM برای افرادی با طیف گسترده ای از تحصیلات کارشناسی و/یا تجربه حرفه ای ایده آل است. درباره برنامه ME-EM در https://www.coursera.org/degrees/me-engineering-management-boulder اطلاعات بیشتری کسب کنید.

به عنوان رهبران حوزه انتخابی خود، نه تنها باید بدانید که چگونه سؤالات درست بپرسید، بلکه باید با استفاده از روش های مبتنی بر داده به آنها پاسخ دهید. از طریق این کلاس، شما قادر خواهید بود به آنچه که واقعاً می‌خواهید بدانید، داده‌های مرتبط با آن سؤال را توصیف کنید و اطلاعات آن داده‌ها را برای درک و توضیح نتایج تجسم کنید. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد مهندسی CU Boulder در مدیریت مهندسی (ME-EM) که در پلت فرم Coursera ارائه می شود، گذراند. ME-EM برای کمک به مهندسان، دانشمندان و متخصصان فنی طراحی شده است تا به سمت نقش های رهبری و مدیریت در بخش های مهندسی و فنی حرکت کنند. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، ME-EM برای افرادی با طیف گسترده ای از تحصیلات کارشناسی و/یا تجربه حرفه ای ایده آل است. درباره برنامه ME-EM در https://www.coursera.org/degrees/me-engineering-management-boulder اطلاعات بیشتری کسب کنید.

در این دوره، شما یاد خواهید گرفت که داده ها را از نظر ثبات فرآیند و کنترل آماری تجزیه و تحلیل کنید و اینکه چرا داشتن یک فرآیند پایدار قبل از انجام آزمون فرضیه های آماری ضروری است. شما نمودارهای کنترل فرآیند آماری را برای داده های پیوسته و گسسته با استفاده از نرم افزار R ایجاد خواهید کرد. شما مجموعه داده ها را برای کنترل آماری با استفاده از قوانین کنترل بر اساس احتمال تجزیه و تحلیل خواهید کرد. علاوه بر این، یاد خواهید گرفت که چگونه یک فرآیند را با توجه به توانایی آن در برآوردن مشخصات داخلی یا خارجی ارزیابی کنید و در مورد بهبود فرآیند تصمیم گیری کنید. 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.

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.

مقدمه ای بر یادگیری آماری مفاهیمی را در مدل سازی آماری بررسی می کند، مانند زمان استفاده از مدل های خاص، نحوه تنظیم آن مدل ها، و اینکه آیا گزینه های دیگر معاوضه های خاصی را ارائه می دهند. ما رگرسیون، طبقه‌بندی، درختان، نمونه‌برداری مجدد، تکنیک‌های بدون نظارت و موارد دیگر را پوشش خواهیم داد! 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.

این چهارمین دوره از هفت دوره در گواهی تحلیل داده های پیشرفته گوگل است. در این دوره، خواهید فهمید که چگونه متخصصان داده از آمار برای تجزیه و تحلیل داده ها و به دست آوردن بینش های مهم استفاده می کنند. شما مفاهیم کلیدی مانند آمار توصیفی و استنباطی، احتمال، نمونه گیری، فواصل اطمینان و آزمون فرضیه را بررسی خواهید کرد. همچنین یاد خواهید گرفت که چگونه از پایتون برای تجزیه و تحلیل آماری استفاده کنید و مانند یک متخصص داده، یافته های خود را به اشتراک بگذارید. کارمندان Google که در حال حاضر در این زمینه کار می‌کنند، با ارائه فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، به اشتراک گذاشتن نمونه‌هایی از کارهای روزانه‌شان، و کمک به شما در تقویت مهارت‌های تجزیه و تحلیل داده‌ها برای آماده شدن برای حرفه‌تان، شما را در این دوره راهنمایی می‌کنند. فراگیرانی که هفت دوره در این برنامه را تکمیل می کنند، مهارت های مورد نیاز برای درخواست برای مشاغل علوم داده و تجزیه و تحلیل داده های پیشرفته را خواهند داشت. این گواهی مستلزم آگاهی قبلی از اصول، مهارت‌ها و ابزارهای تحلیلی پایه است که در گواهی تجزیه و تحلیل داده‌های Google پوشش داده شده است. در پایان این دوره، شما: -کاربرد آمار در علم داده را شرح دهید -از آمار توصیفی برای خلاصه کردن و کشف داده ها استفاده کنید محاسبه احتمال با استفاده از قوانین اساسی داده های مدل با توزیع احتمال -کاربرد روش های مختلف نمونه گیری را شرح دهید -محاسبه توزیع های نمونه -فواصل اطمینان را بسازید و تفسیر کنید -آزمون های فرضیه را انجام دهید

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.

در این دوره ما شما را از طریق بلوک های ساختمانی اساسی علم داده، یکی از سریع ترین زمینه های در حال رشد در جهان، راهنمایی می کنیم! با کمک دانشمندان پیشرو در صنعت خود، ما این دوره را برای ایجاد مهارت های علمی داده آماده و کاربردی در تنها 15 ساعت یادگیری طراحی کرده ایم. ابتدا، ما به شما یک مقدمه سریع از علم داده ارائه می دهیم - چیست و چگونه برای حل مشکلات دنیای واقعی استفاده می شود. برای بقیه دوره، ما مهارت‌هایی را به شما آموزش می‌دهیم که برای استفاده از مفاهیم و تکنیک‌های پایه علم داده برای حل این مشکلات دنیای واقعی نیاز دارید. در پایان این دوره، شما قادر خواهید بود از مهارت های موجود در تجزیه و تحلیل داده ها برای طراحی، اجرا، ارزیابی و انتقال نتایج پروژه های علم داده خود استفاده کنید.

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

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.