|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/veri-bilimi-icin-betimleyici-istatistik-olasilik-temelleri/
课程评论：没有评论
**课程名称：** 数据科学的描述性统计与概率基础 **课程概述：** 本课程是您数据科学专业化之旅的第一站，将通过下一代远程学习技术，教授您掌握该领域所需的关键数学基础。在一位拥有数据科学硕士学位的数据专业人士的指导下，您将深入理解机器学习和数据可视化等核心概念背后的数学原理。 **课程内容亮点：** **一、 课程准备与介绍** * 数学与数据科学的关系 * 课程学习目标：描述性统计基础 * 课程学习目标：概率论入门 **二、 描述性统计基础** * **数据类型：** 识别和理解不同类型的数据。 * **数据类型特性：** 掌握各类数据所具备的独特性质。 * **对数据类型的操作：** 了解如何处理和分析不同类型的数据。 * **基于数据类型的描述性统计：** 应用恰当的统计方法描述数据。 * **基于数据类型的推断性统计：** 从样本推断总体特征。 * **集中趋势：** 衡量数据的中心位置。 * 集中趋势的描述性统计指标。 * **直方图：** 数据分布的可视化。 * **离散趋势：** 衡量数据的分散程度。 * 离散趋势的描述性统计指标。 * **箱线图：** 数据分布的图形化表示。 * **标准差：** 度量数据与均值的偏差。 * **标准差的实际应用。** * **切比雪夫定理：** 关于数据分布的通用不等式。 * **变量的联合分析：** 研究变量之间的关系。 * **协方差 (Covariance)：** 衡量两个变量的线性相关性。 * **皮尔逊相关系数 (Pearson Correlation)：** 衡量线性关系的强度和方向。 * **斯皮尔曼相关系数 (Spearman Correlation)：** 衡量单调关系的强度。 * **因果关系：** 理解相关性与因果性的区别。 * **抽样：** 从总体中选择代表性样本。 * **为何需要抽样？** * **抽样技术：** 掌握不同的抽样方法。 * **抽样误差：** 了解抽样过程中可能引入的误差。 * **抽样分布：** 研究样本统计量的分布规律。 **三、 概率论入门** * **概率：** 量化事件发生的可能性。 * **计数技术：** 用于计算概率的基本方法。 * **样本空间：** 包含所有可能结果的集合。 * **事件概率：** 计算特定事件发生的概率。 * **条件概率：** 在已知某个事件发生的情况下，另一个事件发生的概率。 * **相互依赖/独立事件：** 判断事件之间的关系。 * **贝叶斯定理：** 更新概率的理论基础。 * **随机变量：** 取值是随机的变量。 * **概率/统计分布：** 描述随机变量取值规律的函数。 * **概率密度函数 (pdf) / 累积分布函数 (CDF)：** 描述随机变量的概率分布。 * **离散分布：** * **伯努利分布 (Bernoulli Distribution)：** 描述单次二元试验。 * **二项分布 (Binomial Distribution)：** 描述多次独立二元试验成功的次数。 * **几何分布 (Geometric Distribution)：** 描述首次成功所需的试验次数。 * **泊松分布 (Poisson Distribution)：** 描述在固定时间或空间内事件发生的次数。 * **连续分布：** * **均匀分布 (Uniform Distribution)：** 所有可能值具有相同概率密度的分布。 * **指数分布 (Exponential Distribution)：** 描述两次事件发生之间的时间间隔。 * **伽马分布 (Gamma Distribution)：** 描述多个指数分布随机变量之和的分布。 * **正态分布 (Normal Distribution) 与 标准正态分布 (Standard Normal Distribution)：** 最常见和最重要的概率分布。 **后续课程预告：** 请继续关注我们关于Python（数据科学应用）、数学和数据科学的其他课程！
Yeni nesil uzaktan öğrenme teknikleri ile veri biliminde uzmanlaşmak için gerekli matematiksel temelleri öğreneceğiniz ilk kursumuza hoşgeldiniz! Veri bilimi alanında yüksek lisanslı veri profesyoneliyle beraber, yapay öğrenme (makine öğrenimi) ve veri görselleştirmenin temelleri olan matematiksel konuları kavrayacaksınız. Bu kursta:Başlamadan Önce• Matematik - Veri Bilimi İlişkisi• Neler Öğreneceksiniz - Betimleyici İstatistik Temelleri• Neler Öğreneceksiniz - Olasılık Teorisine GirişBetimleyici İstatistik Temelleri• Veri Tipleri• Veri Tiplerinin Özellikleri• Veri Tipleri ile Yapılabilecekler• Veri Tiplerine göre Betimleyici İstatistikler• Veri Tiplerine göre Yorumlayıcı İstatistikler • Merkezi Eğilim• Merkezi Eğilim için Betimleyici İstatistikler• Histogram Grafiği• Dağılım Eğilimi• Dağılım Eğilimi için Betimleyici İstatistikler• Boxplot (Kutu Grafiği)• Standart Sapma• Standart Sapma Pratik Kullanımı• Chebyshev Teoremi• Değişkenlerin Birlikteliği• Kovaryans (Covariance)• Pearson Korelasyon (Correlation)• Spearman Korelasyonu• Nedensellik• Örneklem• Neden Örneklem?• Örneklem Teknikleri• Örneklem Hataları• Örneklem Dağılımları Olasılık Teorisine Giriş• Olasılık• Sayma Teknikleri• Örnek Uzay• Olay Olasılıkları• Koşullu Olasılık• Bağımlı / Bağımsız Olaylar• Bayes Teoremi• Rastsal Değişkenler• Olasılık / İstatistik Dağılımları• pdf / CDF Fonksiyonları• Kesikli (Discrete) Dağılımlardan Bernoulli Dağılımı• Kesikli (Discrete) Dağılımlardan Binomial Dağılımı• Kesikli (Discrete) Dağılımlardan Geometric Dağılım• Kesikli (Discrete) Dağılımlardan Poisson Dağılımı• Devamlı (Continuous) Dağılımlardan Uniform (Tekdüze) Dağılım• Devamlı (Continuous) Dağılımlardan Exponential (Üstel) Dağılım• Devamlı (Continuous) Dağılımlardan Gamma Dağılımı• Devamlı (Continuous) Dağılımlardan Normal Dağılım ve Standart Normal Dağılım*Python (Veri Bilimi için), Matematik ve Veri Bilimi derslerimiz için bizi takipte kalın!
