Anpassen statistischer Modelle an Daten mit Python

Beschreibung

In diesem Kurs werden wir unsere Erforschung statistischer Inferenztechniken erweitern, indem wir uns auf die Wissenschaft und Kunst konzentrieren, statistische Modelle an Daten anzupassen. Wir werden auf den Konzepten aufbauen, die im Kurs "Statistische Inferenz" (Kurs 2) vorgestellt wurden, um die Bedeutung der Verknüpfung von Forschungsfragen mit unseren Datenanalysemethoden hervorzuheben. Wir werden uns auch auf verschiedene Modellierungsziele konzentrieren, einschließlich Rückschlüsse auf Beziehungen zwischen Variablen und Generierung von Vorhersagen für zukünftige Beobachtungen.

In diesem Kurs werden verschiedene statistische Modellierungstechniken vorgestellt und untersucht, darunter lineare Regression, logistische Regression, verallgemeinerte lineare Modelle, Modelle mit hierarchischen und gemischten Effekten (oder mehrstufigen Modellen) und Bayes'sche Inferenztechniken. Alle Techniken werden anhand einer Vielzahl realer Datensätze veranschaulicht, und der Kurs wird je nach dem den Daten zugrunde liegenden Studiendesign unterschiedliche Modellierungsansätze für verschiedene Arten von Datensätzen hervorheben (siehe Kurs 1, Verstehen und Visualisieren von Daten mit Python). .

Während dieser laborbasierten Sitzungen werden die Lernenden Tutorials durcharbeiten, die sich auf bestimmte Fallstudien konzentrieren, um die statistischen Konzepte der Woche zu festigen. Dazu gehören weitere tiefe Einblicke in Python-Bibliotheken wie Statsmodels, Pandas und Seaborn. Dieser Kurs verwendet die Jupyter Notebook-Umgebung in Coursera.