Online Courses and Tutorials

Onlinecourses.tech provides you with the latest online courses information by assisting over 45,000 courses and 1 million students.

Learn programming, marketing, data science and more.

Get started today

Skip to main content

Data Analysis and Interpretation

About This Specialization Learn SAS or Python programming, expand your knowledge of analytical methods and applications, and conduct original research to inform complex decisions. The Data Analysis and Interpretation Specialization takes you from data novice to data expert in just four project-based courses. You will apply basic data science tools, including data management and visualization, modeling, and machine learning using your choice of either SAS or Python, including pandas and Scikit-learn. Throughout the Specialization, you will analyze a research question of your choice and summarize your insights. In the Capstone Project, you will use real data to address an important issue in society, and report your findings in a professional-quality report. You will have the opportunity to work with our industry partners, DRIVENDATA and The Connection. Help DRIVENDATA solve some of the world's biggest social challenges by joining one of their competitions, or help The Connection be…

Построение выводов по данным

Построение выводов по данным

About this course: Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? Действительно ли новый баннер лучше старого? Чтобы ответить на такие вопросы, нужно собрать данные. Данные почти всегда содержат шум, поэтому утверждения, которые можно сделать на их основе, верны не всегда, а только с определённой вероятностью. Строить наиболее корректные выводы и численно оценивать степень уверенности в них помогают методы статистики. Как можно оценивать неизвестные параметры системы по небольшому количеству наблюдений? Как измерить точность таких оценок? Какие данные нужны, чтобы ответить на ваш вопрос, и на какие вопросы можно ответить с помощью уже имеющихся данных? Вы узнаете все, что нужно для успешного превращения данных в выводы — организация экспериментов, A/B-тестирование, универсальные методы оценки параметров и проверки гипотез, корреляции и причинно-следственные связи.

Who is this class for: Методы прикладной статистики, о которых пойдёт речь в этом курсе, — важная часть инструментария науки о данных. Знакомство с ними будет полезно любому специалисту, сталкивающемуся с необходимостью принятия основанных на данных решений, от выбора оптимальной предсказательной модели до выявления факторов, влияющих на интересующий вас признак. Для успешного прохождения курса достаточно знакомства с базовыми понятиями теории вероятностей и математической статистики; всё, что вам может понадобиться на входе, рассказывается на четвёртой неделе первого курса "Математика и Python для анализа данных".

Created by:   Moscow Institute of Physics and Technology

  • Евгений Рябенко
    Taught by:    Евгений Рябенко, кандидат физико-математических наук, доцент
    факультет управления и прикладной математики

  • Евгений Соколов
    Taught by:    Евгений Соколов, преподаватель, руководитель исследовательской группы
    Yandex Data Factory

  • Виктор Кантор
    Taught by:    Виктор Кантор, преподаватель, руководитель исследовательской группы
    Yandex Data Factory

  • Эмели Драль
    Taught by:    Эмели Драль, преподаватель, руководитель исследовательской группы
    Yandex Data Factory
Basic Info
LevelAdvanced
Commitment4 недели обучения, через 2-4 часа / неделю
Language
Russian
How To PassPass all graded assignments to complete the course.
User Ratings
Average User Rating 4.7See what learners said
Syllabus
WEEK 1
Интервалы и гипотезы
Добро пожаловать на курс "Построение выводов по данным"! В этом модуле вы узнаете, как работают базовые статистические техники — интервальное оценивание и проверка гипотез. В тестах вас ждёт большое количество задач с реальными данными на применение этих техник.

21 videos15 readings3 readings
  1. Video: Как прекрасны машинное обучение и анализ данных
  2. Video: Как устроена специализация, и зачем ее проходить
  3. Video: Выводы и рациональность
  4. Reading: Формат специализации и получение сертификата
  5. Video: Проблемы построения выводов
  6. Video: Примеры прикладных задач
  7. Video: Как устроен этот курс
  8. Reading: Анкета слушателя
  9. Reading: МФТИ
  10. Video: МФТИ
  11. Reading: Немного о Yandex
  12. Reading: Forum&Slack
  13. Video: Интервальные оценки с помощью квантилей
  14. Video: Доверительные интервалы с помощью квантилей
  15. Video: Распределения, производные от нормального
  16. Video: Доверительные интервалы для среднего
  17. Reading: Доверительные интервалы для среднего [ipython notebook]
  18. Practice Quiz: Доверительные интервалы для среднего
  19. Video: Доверительные интервалы для доли
  20. Reading: Доверительные интервалы для доли [ipython notebook]
  21. Video: Доверительные интервалы для двух долей
  22. Reading: Доверительные интервалы для двух долей [ipython notebook]
  23. Practice Quiz: Доверительные интервалы для долей
  24. Video: Доверительные интервалы на основе бутстрепа
  25. Reading: Доверительные интервалы на основе бутстрепа [ipython notebook]
  26. Reading: Слайды к лекциям
  27. Reading: Конспект
  28. Video: Проверка гипотез: начало
  29. Video: Ошибки I и II рода
  30. Video: Достигаемый уровень значимости
  31. Video: Статистическая и практическая значимость
  32. Practice Quiz: Теория проверки гипотез
  33. Video: Биномиальный критерий для доли
  34. Reading: Биномиальный критерий для доли [ipython notebook]
  35. Video: Критерии согласия Пирсона (хи-квадрат)
  36. Reading: Критерии согласия Пирсона (хи-квадрат) [ipython notebook]
  37. Video: Связь между проверкой гипотез и доверительными интервалами
  38. Reading: Слайды к лекциям
  39. Reading: Конспект
  40. Discussion Prompt: Давайте знакомиться!
Graded: Доверительные интервалы
Graded: Практика проверки гипотез
WEEK 2
АБ-тестирование
Вторая неделя посвящена задачам АБ-тестирования — статистической технике, позволяющей оценить действие изменений в вашем продукте на конечного пользователя. Вы узнаете, как правильно такой эксперимент строить и какими методами анализировать.  

21 videos10 readings2 readings
  1. Video: Что такое АБ-тестирование
  2. Video: Где используется АБ-тестирование
  3. Video: Метрики
  4. Video: Дизайн эксперимента
  5. Video: Устойчивость
  6. Video: Размер выборки
  7. Practice Quiz: Планирование эксперимента
  8. Reading: Конспект
  9. Video: Одновыборочные критерии Стьюдента
  10. Video: Двухвыборочные критерии Стьюдента, независимые выборки
  11. Video: Двухвыборочные критерии Стьюдента, связанные выборки
  12. Video: Нормальность выборок
  13. Video: Пример: применение критериев Стьюдента
  14. Reading: Применение критериев Стьюдента [ipython notebook]
  15. Practice Quiz: Критерии Стьюдента
  16. Video: Гипотезы о долях
  17. Video: Пример: проверка гипотез о долях
  18. Reading: Проверка гипотез о долях [ipython notebook]
  19. Reading: Слайды к лекциям
  20. Reading: Конспект
  21. Video: Как работают непараметрические критерии?
  22. Video: Критерии знаков
  23. Video: Ранговые критерии
  24. Video: Перестановочные критерии
  25. Video: Перестановки и бутстреп
  26. Video: Пример: одновыборочные непараметрические критерии
  27. Reading: Одновыборочные непараметрические критерии [ipython notebook]
  28. Video: Пример: двухвыборочные непараметрические критерии (связанные выборки)
  29. Reading: Двухвыборочные непараметрические критерии (связанные выборки) [ipython notebook]
  30. Video: Пример: двухвыборочные непараметрические критерии (независимые выборки)
  31. Reading: Двухвыборочные непараметрические критерии (независимые выборки) [ipython notebook]
  32. Reading: Слайды к лекциям
  33. Reading: Конспект
Graded: Параметрические критерии
Graded: Непараметрические критерии
WEEK 3
Закономерности и зависимости
На этой неделе мы будем искать закономерности и выявлять зависимости. Для этого можно использовать разные методы; мы поговорим о корреляционных и регрессионных. Поскольку в основе этих методов лежит проверка большого количества гипотез, необходимо делать поправку на множественность — почему и как, вы тоже узнаете.

22 videos11 readings3 readings
  1. Video: Взаимное влияние в продажах товаров
  2. Video: Внешние факторы, влияющие на продажи
  3. Reading: Конспект
  4. Video: Корреляция Пирсона
  5. Video: Корреляция Спирмена
  6. Video: Корреляция Мэтьюса и коэффициент Крамера
  7. Video: Пример: поиск взаимосвязей с помощью корреляции
  8. Reading: Поиск взаимосвязей с помощью корреляции [ipython notebook]
  9. Practice Quiz: Коэффициенты корреляции
  10. Video: Значимость корреляции
  11. Video: Булщит и консервативность
  12. Video: Корреляция и причинно-следственная связь
  13. Reading: Слайды к лекциям
  14. Reading: Конспект
  15. Video: В чем проблема?
  16. Video: Постановка
  17. Video: FWER. Поправка Бонферрони
  18. Video: FWER. Метод Холма
  19. Video: FDR. Метод Бенджамини-Хохберга
  20. Video: Пример: поправки на множественную проверку при корреляционном анализе
  21. Reading: Поправки на множественную проверку при корреляционном анализе [ipython notebook]
  22. Practice Quiz: Поправки на множественную проверку
  23. Video: Анализ подгрупп
  24. Reading: Слайды к лекциям
  25. Reading: Конспект
  26. Video: Взаимосвязь нескольких признаков
  27. Video: Свойства решения задачи
  28. Video: Интервалы и гипотезы
  29. Video: Проверка предположений
  30. Practice Quiz: Теория построения регрессии
  31. Video: Регрессия и причинно-следственные связи
  32. Video: Пример: оценка зависимости с помощью регрессии
  33. Reading: Оценка зависимости с помощью регрессии [ipython notebook]
  34. Reading: Слайды к лекциям
  35. Reading: Конспект
  36. Reading: Q&A
Graded: Корреляционный анализ
Graded: Множественная проверка гипотез
Graded: Практика построения регрессии
WEEK 4
Неделя задач
На этой неделе мы поговорим с экспертами в прикладных областях анализа данных и узнаем, чем особенны их задачи, какие методы построения выводов они используют, и на что они советуют обращать внимание. Для прохождения курса вам нужно решить как минимум два задания, но, если вам интересно, вы можете сделать все.

2 videos3 readings
  1. Video: Интервью с Дмитрием Виноградовым
  2. Video: Интервью с Алексеем Шатерниковым про скоринг
  3. Discussion Prompt: Вопросы экспертам
  4. Reading: Список литературы
  5. Reading: Ваши впечатления о курсе
  6. Reading: Финальные титры
Graded: Дифференциально экспрессированные гены
Graded: Анализ данных в задаче кредитного скоринга
How It Works
Coursework
Coursework
Each course is like an interactive textbook, featuring pre-recorded videos, quizzes and projects.
Help from Your Peers
Help from Your Peers
Connect with thousands of other learners and debate ideas, discuss course material, and get help mastering concepts.
Certificates
Certificates
Earn official recognition for your work, and share your success with friends, colleagues, and employers.
Creators
Moscow Institute of Physics and Technology
Московский физико-технический институт (неофициально известный как МФТИ или Физтех) является одним из самых престижных в мире учебных и научно-исследовательских институтов. Он готовит высококвалифицированных специалистов в области теоретической и прикладной физики, прикладной математики, информатики, биотехнологии и смежных дисциплин. Физтех был основан в 1951 году Нобелевской премии лауреатами Петром Капицей, Николаем Семеновым, Левом Ландау и Сергеем Христиановичем. Основой образования в МФТИ является уникальная «система Физтеха»: кропотливое воспитание и отбор самых талантливых абитуриентов, фундаментальное образование высшего класса и раннее вовлечение студентов в реальную научно-исследовательскую работу. Среди выпускников МФТИ есть Нобелевские лауреаты, основатели всемирно известных компаний, известные космонавты, изобретатели, инженеры.


Comments

Popular posts from this blog

An Introduction to Interactive Programming in Python (Part 1)

About this course: This two-part course is designed to help students with very little or no computing background learn the basics of building simple interactive applications. Our language of choice, Python, is an easy-to learn, high-level computer language that is used in many of the computational courses offered on Coursera. To make learning Python easy, we have developed a new browser-based programming environment that makes developing interactive applications in Python simple. These applications will involve windows whose contents are graphical and respond to buttons, the keyboard and the mouse. In part 1 of this course, we will introduce the basic elements of programming (such as expressions, conditionals, and functions) and then use these elements to create simple interactive applications such as a digital stopwatch. Part 1 of this class will culminate in building a version of the classic arcade game "Pong".
Who is this class for: Recommended Background - A knowledge o…

Introduction to Data Science in Python

About this course: This course will introduce the learner to the basics of the python programming environment, including how to download and install python, expected fundamental python programming techniques, and how to find help with python programming questions. The course will also introduce data manipulation and cleaning techniques using the popular python pandas data science library and introduce the abstraction of the DataFrame as the central data structure for data analysis. The course will end with a statistics primer, showing how various statistical measures can be applied to pandas DataFrames. By the end of the course, students will be able to take tabular data, clean it,  manipulate it, and run basic inferential statistical analyses. This course should be taken before any of the other Applied Data Science with Python courses: Applied Plotting, Charting & Data Representation in Python, Applied Machine Learning in Python, Applied Text Mining in Python, Applied Social Ne…

Learn to Program and Analyze Data with Python

About This Specialization This Specialization builds on the success of the Python for Everybody course and will introduce fundamental programming concepts including data structures, networked application program interfaces, and databases, using the Python programming language. In the Capstone Project, you’ll use the technologies learned throughout the Specialization to design and create your own applications for data retrieval, processing, and visualization. Created by: 5 courses Follow the suggested order or choose your own. Projects Designed to help you practice and apply the skills you learn. Certificates Highlight your new skills on your resume or LinkedIn. Courses

Archive