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.

هدف از این دوره، معرفی آمار محاسباتی به دانشمندان مشتاق یا جدید داده است. شرکت کنندگان با یادگیری مبانی احتمال، مدل سازی بیزی و استنتاج شروع خواهند کرد. این اولین دوره در یک تخصص شامل سه دوره خواهد بود. از نوت بوک پایتون و ژوپیتر در طول این دوره برای تصویرسازی و اجرای مدلسازی بیزی استفاده خواهد شد. وب سایت دوره در آدرس https://sjster.github.io/introduction_to_computational_statistics/docs/index.html قرار دارد. دفترچه های دوره را می توان با دنبال کردن دستورالعمل های صفحه https://sjster.github.io/introduction_to_computational_statistics/docs/getting_started.html از این وب سایت دانلود کرد. مدرسان این دوره دکتر سریجیت راجاموهان و دکتر رابرت ستلاژ خواهند بود.

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!