Course Outline

Στατιστικά & Πιθανολογικά Programming στην Τζούλια

Βασικά στατιστικά στοιχεία

    Statistics Περίληψη Statistics με το πακέτο στατιστικών
Πακέτο Διανομών & StatsBase Μονομεταβλητό & πολυμεταβλητό
  • Στιγμές
  • Συναρτήσεις πιθανότητας
  • Δειγματοληψία και RNG
  • Ιστογράμματα
  • Εκτίμηση μέγιστης πιθανότητας
  • Προϊόν, περικοπή και λογοκριμένη διανομή
  • Ισχυρά στατιστικά στοιχεία
  • Συσχέτιση & συνδιακύμανση
  • DataFrames
  • (Πακέτο DataFrames)

    Data I/O Δημιουργία πλαισίων δεδομένων Τύποι δεδομένων, συμπεριλαμβανομένων κατηγορικών δεδομένων και δεδομένων που λείπουν Ταξινόμηση και ένωση Αναμόρφωση και περιστροφή δεδομένων

      Έλεγχος υποθέσεων

    (Πακέτο HypothesisTests)

    Περίληψη της αρχής της δοκιμής υποθέσεων Τεστ Χ Τετράγωνο z-test και t-τεστ F-δοκιμή Fisher Ακριβής δοκιμή ANOVA Δοκιμές για κανονικότητα Δοκιμή Kolmogorov-Smirnov Test Hotelling's T

      Ανάλυση παλινδρόμησης & επιβίωσης

    (Πακέτα GLM & Survival)

    Περίγραμμα αρχής της γραμμικής παλινδρόμησης και της εκθετικής οικογένειας Γραμμική παλινδρόμηση Γενικευμένα γραμμικά μοντέλα Λογιστική παλινδρόμηση Παλινδρόμηση Poisson Παλινδρόμηση γάμμα Άλλα μοντέλα GLM

      Γεγονότα ανάλυσης επιβίωσης
    Kaplan-Meier
  • Nelson-Aalen
  • Αναλογικός κίνδυνος Cox
  • Αποστάσεις
  • (Πακέτο αποστάσεων)
  • Τι είναι απόσταση; Ευκλείδειος συσχετισμός συνημιτονικού μπλοκ πόλεων Mahalanobis Hamming MAD RMS Μέση τετραγωνική απόκλιση

    Πολυμεταβλητές στατιστικές

      (Πακέτα MultivariateStats, Lasso και Loess)

    Παλινδρόμηση κορυφογραμμής Παλινδρόμηση λάσο Loess Γραμμική ανάλυση διάκρισης Ανάλυση κύριας συνιστώσας (PCA) Γραμμική Πυρήνα PCA Πιθανολογική PCA Ανεξάρτητη CA

    Παλινδρόμηση κύριου στοιχείου (PCR)

      Παραγοντική ανάλυση
    Κανονική Ανάλυση Συσχέτισης
  • Πολυδιάστατη κλιμάκωση
  • Ομαδοποίηση
  • (Πακέτο ομαδοποίησης)
  • K-means K-medoids DBSCAN Ιεραρχική ομαδοποίηση Markov Cluster Algorithm Fuzzy C-means clustering
  • Bayesian Statistics & Πιθανολογικός Προγραμματισμός

    (Πακέτο Turing)

      Μοντέλο αλυσίδας Markov Carlo Hamiltonian Montel Carlo Gaussian Mixture Models Bayesian Linear Regression Bayesian Εκθετική Οικογενειακή Παλινδρόμηση Bayesian Neural Networks Κρυφά Μοντέλα Markov Σωματίδια Φιλτράρισμα Μεταβλητών

    Requirements

    Αυτό το μάθημα προορίζεται για άτομα που έχουν ήδη ένα υπόβαθρο στην επιστήμη των δεδομένων και τη στατιστική.

     

     21 Hours

    Number of participants



    Price per participant

    Testimonials (8)

    Related Courses

    Introduction to Data Visualization with Tidyverse and R

    7 Hours

    Introduction to R

    21 Hours

    Related Categories