Онлайн курсы по статистике

Если корреляционный анализ позволяет количественно оценить силу и направление связи между двумя величинами, то построение регрессионных моделей дает более широкие возможности. При помощи регрессионного анализа можно количественно описывать поведение изучаемых величин в зависимости от переменных-предикторов и получать предсказания на новых данных. Вы узнаете, как строить простые и множественные линейные модели с использованием языка R. У всякого метода есть свои ограничения, поэтому мы поможем вам разобраться, в каких ситуациях можно, а в каких нельзя применять линейную регрессию, и научим вас методам диагностики подобранных моделей. Специальное место в курсе отводится глубинной анатомии регрессионного анализа: вы освоите операции с матрицами, которые лежат в основе линейной регрессии, чтобы получить возможность разбираться в более сложных разновидностях линейных моделей.

Если вы сталкиваетесь с необходимостью поиска и описания взаимосвязей между теми или иными явлениями, которые могут быть измерены количественно, тогда этот курс - хорошая возможность понять, как устроены простая и множественная линейная регрессия, узнать о возможностях и ограничениях этих методов.

Курс рассчитан на тех, кто уже знаком с базовыми приемами анализа данных с использованием языка R и с созданием простейших .html документов при помощи rmarkdown и knitr.

Курс «Эконометрика: Анализ временных рядов» подготовлен сотрудниками экономического факультета и Центра эконометрики и бизнес-аналитики Санкт- Петербургского государственного университета.

Целью курса является обучение студентов современным методам эконометрического моделирования одномерных временных рядов. Задачами курса являются: формирование у студентов представления о методологии эмпирического исследования и возможностях эконометрических моделей и границ их применения, а также выработка навыков работы с реальными экономическими данными.

Курс включает четыре модуля.

В первом модуле представлены основные определения, понятия и модели, связанные с временными рядами.

Во втором модуле, посвященном методам анализа и прогнозирования стационарных и интегрированных временных рядов, рассматриваются модели ARMA и ARIMA.

Третий и четвертый модули посвящены теории нестационарных процессов, а также методам тестирования гипотезы о нестационарности (или стационарности) временного ряда.

Видеосюжеты курса содержат теоретический материал и разбор практических кейсов. В дополнительных материалах слушатели могут найти практические кейсы, выполненные в пакетах R, Stata и Gretl.

Курс содержит индивидуальный проект, выполнение которого позволит закрепить и обобщить полученные знания. Курс будет полезен бакалаврам, магистрантам, аспирантам, аналитикам данных и всем интересующимся данной тематикой.

Для создания своего сайта недостаточно настроить сетевое оборудование и правильно подключить программы файлам кода сайта. Рано или поздно необходимо начать использовать информацию, которую этот сайт генерирует, чтобы использовать их для продвижения своего бизнеса. Для этого существует множество инструментов, но иногда их бывает недостаточно, чтобы найти ответы на возникающие вопросы.

В этом курсе внимание уделяется всем этапам решения задачи анализа данных: в начале курса рассматриваются простые математические объекты, необходимые для анализа курса. На основе этих объектов приводится введение в теорию вероятностей и математическую статистику. Изученные теоретические принципы переносятся в цифровой вид и реализуются в Excel. В конце курса приводятся методы использования изученных методов в реальной жизни: как собрать дополнительные данные с вашего сайта и как подготовить их для обработки в Excel.

Изученные принципы можно применить не только для анализа данных сайтов, но и для исследований в различных областях.

Основной целью освоения дисциплины «Введение в науку о данных» является приобретение обучающимися знаний об основах предметной области через постановку и решение типичных задач, с которыми исследователь в области науки о данных может столкнуться в своей работе, а также практических навыков работы с инструментами анализа данных, применяемыми в разных сферах человеческой деятельности.

Поставленная цель достигается путем решения следующих задач курса:

1) Ознакомить студентов с основными задачами, решаемыми в области науки о данных, базовыми алгоритмами этой области, а также со сферами практического применения данных алгоритмов;

2) Развить практические навыки работы с реальными инструментами, применяемыми в области науки о данных;

3) Научить решать прикладные задачи по обработке и анализу данных на предмет выявления в них скрытых зависимостей, а также подбирать методы машинного обучения для этих задач.

На лекциях будут даны базовые математические инструменты анализа реальных жизненных ситуаций и процессов, которые можно закрепить, выполнив практические задания.

В рамках курса будут изучены:

• понятия дискретного и непрерывного вероятностного пространства;
• независимость, условная вероятность и связанные с ними формулы (в том числе формула полной вероятности, формула Байеса и т. д.);
• случайная величина и её свойства; плотность случайной величины, одномерная и многомерная функция распределения;
• условное распределение случайных величин и способы анализа совместного распределения;
• математическое ожидание, причем особое внимание будет уделено условному математическому ожиданию;
• базовые способы анализа больших отклонений; дисперсия, ковариация, коэффициент корреляции и их геометрическая интерпретация;
• закон больших чисел и центральная предельная теорема.

Приоритетом при составлении курса являлось формирование глубокого понимания используемых в анализе данных вероятностных инструментов. Поэтому все понятия будут подробно рассмотрены с разных сторон, обоснованы и тщательно разобраны в решаемых задачах. Большое количество примеров в курсе тоже служит для этой цели — не просто узнать, а научиться использовать изученную технику.