|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/estadisticas-para-la-ciencia-de-datos-con-python
课程评论：没有评论
课程名称：数据科学统计与Python 课程概述： 本课程旨在介绍用于数据分析的统计方法和程序的基本原则。完成课程后，学员将掌握重要的统计主题，包括数据收集、使用描述性统计进行数据总结、数据可视化、变量间关系的检验、概率分布、期望值、假设检验、ANOVA（方差分析）简介、回归分析和相关性分析。课程将采用实践方法，利用Python和Jupyter Notebook进行统计分析，这也是数据科学家和数据分析师普遍采用的工具。 在课程结束时，学员将完成一个项目，将课程中的多个概念应用于一个与现实生活相关的数据科学问题，展示对基础统计思维和推理的理解。课程目标是帮助学员明确不同数据类型的不同分析方法，建立直观理解，合理评估所提方法，利用Python分析数据，并准确解读结果。 本课程适合希望开始从事数据和统计相关工作的专业人士和学生，例如数据科学家、数据分析师、商业分析师、统计学家和研究人员。课程不要求有计算机或统计学背景。建议学员在学习本课程之前先学习《Python数据科学》课程，以熟悉Python编程语言、Jupyter Notebook和相关库。课程中也提供可选的Python复习内容。 课程完成后，学员将能够： ✔ 计算并应用集中趋势和离散程度的度量于分组和未分组数据。 ✔ 清晰、简洁地总结、展示和可视化数据，为非统计学家提供实用洞察。 ✔ 识别合适的假设检验方法以应用于常见数据集。 ✔ 执行假设检验、相关性检验和回归分析。 ✔ 展示使用Python和Jupyter Notebook进行统计分析的能力。 课程大纲： 1. 引言与描述性统计 - 介绍描述性统计的基本概念：均值、中位数、众数、方差和标准差，讲解集中趋势和离散程度度量在不同测量水平中的实用性。 2. 数据可视化 - 根据数据类型和信息交流的需要，学习不同类型的可视化手段，并掌握如何计算和解读这些度量和图形。 3. 概率分布简介 - 介绍概率及概率分布的基本概念及其应用。 4. 假设检验 - 教授在处理数据和变量关系时要使用的相应检验，解释每种检验的假设和解释假设检验结果的适当语言。 5. 回归分析 - 深入使用Python进行回归分析，检验样本和总体均值的关系和差异，并与传统假设检验方法进行对比，重点在结果解释。 6. 其他资源 - 提供Python统计学的备忘单。 通过参加本课程，学员将能更好地理解和应用统计学在数据科学中的实际作用。
Part: 1
Title:Introducción y Estadística Descriptiva
Description:Este módulo se centrará en la introducción de los conceptos básicos de la estadística descriptiva - media, mediana, moda, varianza y desviación estándar. Explicará la utilidad de las medidas de tendencia central y dispersión para diferentes niveles de medición.
Part: 2
Title:Visualización de Datos
Description:Este módulo se centrará en diferentes tipos de visualización en función del tipo de datos e información que intentemos comunicar. Aprenderá a calcular e interpretar estas medidas y gráficos.
Part: 3
Title:Introducción a las Distribuciones de Probabilidad
Description:Este módulo introducirá los conceptos básicos y aplicación de probabilidad y distribuciones de probabilidad.
Part: 4
Title: Prueba de hipótesis
Description:Este módulo se enfocará en enseñar la prueba apropiada para usar cuando se trata de datos y relaciones entre ellos. Explicará los supuestos de cada prueba y el lenguaje apropiado al interpretar los resultados de una prueba de hipótesis.
Part: 5
Title:Análisis de Regresión
Description:Este módulo se sumergirá directamente en el uso de Python para ejecutar análisis de regresión para probar relaciones y diferencias en las medias de la muestra y la población en lugar de la prueba de hipótesis clásica y cómo interpretarlas.
Part: 6
Title:Otros Recursos
Description:Hoja de trucos para Estadísticas en Python
Este curso de Estadística para la Ciencia de Datos está diseñado para presentarle los principios básicos de los métodos y procedimientos estadísticos utilizados para el análisis de datos. Después de completar este curso, tendrá conocimientos prácticos de temas cruciales en estadística que incluyen: recopilación de datos, resumen de datos utilizando estadísticas descriptivas, visualización de datos, examen de relaciones entre variables, distribuciones de probabilidad, valores esperados, pruebas de hipótesis, introducción a ANOVA (análisis de la varianza), análisis de regresión y correlación. Adoptará un enfoque práctico para el análisis estadístico utilizando Python y los Notebooks Jupyter, las herramientas elegidas por los científicos y analistas de datos. Al final del curso, completará un proyecto para aplicar varios conceptos en el curso a un problema de Ciencia de Datos que involucre un escenario inspirado en la vida real y demostrará una comprensión del pensamiento y razonamiento estadístico fundamental. El objetivo es desarrollar una comprensión clara de los diferentes enfoques para diferentes tipos de datos, desarrollar una comprensión intuitiva, realizar evaluaciones apropiadas de los métodos propuestos, utilizar Python para analizar nuestros datos e interpretar el resultado con precisión. Este curso es adecuado para una variedad de profesionales y estudiantes que deseen comenzar su viaje en roles basados en datos y estadísticas, como Científicos de Datos, Analistas de Datos, Analistas de Negocios, Estadísticos e Investigadores. No requiere ningún conocimiento de informática o estadística. Recomendamos encarecidamente tomar el curso Python para Ciencia de Datos antes de comenzar este curso para familiarizarse con el lenguaje de programación Python, los notebooks Jupyter y las bibliotecas. También se proporciona un repaso opcional en Python. Después de completar este curso, un alumno podrá: ✔Calcular y aplicar medidas de tendencia central y medidas de dispersión a datos agrupados y no agrupados. ✔ Resumir, presentar y visualizar datos de una manera clara, concisa y que proporcione una visión práctica para los no estadísticos que necesitan los resultados. ✔Identificar las pruebas de hipótesis apropiadas para usar en conjuntos de datos comunes. ✔ Realizar pruebas de hipótesis, pruebas de correlación y análisis de regresión. ✔ Demostrar competencia en análisis estadístico utilizando Python y Notebooks Jupyter.
