План на курса

Статистика и вероятност Programming в Джулия

Основна статистика

    Statistics Резюме Statistics със статистическия пакет
Дистрибуции и пакет StatsBase Едновариантни и многовариантни
  • Моменти
  • Вероятностни функции
  • Вземане на проби и RNG
  • Хистограми
  • Оценка на максималната вероятност
  • Продукт, обработка и цензурирано разпространение
  • Стабилна статистика
  • Корелация и ковариация
  • DataFrames
  • (пакет DataFrames)

    Вход/изход на данни Създаване на рамки за данни Типове данни, включително категорични и липсващи данни Сортиране и обединяване Преоформяне и завъртане на данни

      Тестване на хипотези

    (Пакет HypothesisTests)

    Принципна схема на тестване на хипотеза Хи-квадрат тест z-тест и t-тест F-тест Точен тест на Фишер ANOVA Тестове за нормалност Тест на Колмогоров-Смирнов Т-тест на Hotelling

      Регресия и анализ на оцеляването

    (пакети GLM и Survival)

    Принципна схема на линейна регресия и експоненциално семейство Линейна регресия Обобщени линейни модели Логистична регресия Регресия на Поасон Гама регресия Други GLM модели

      Анализ на оцеляването Събития
    Каплан-Майер
  • Нелсън-Аален
  • Пропорционална опасност на Кокс
  • Разстояния
  • (пакет от разстояния)
  • Какво е разстояние? Euclidean Cityblock Косинус Корелация Mahalanobis Hamming MAD RMS Средно квадратно отклонение

    Многовариантна статистика

      (Пакети MultivariateStats, Lasso и Loess)

    Ридж регресия Ласо регресия Льос Линеен дискриминантен анализ Анализ на основните компоненти (PCA) Линеен PCA ядро PCA Вероятен PCA независим CA

    Регресия на главния компонент (PCR)

      Факторен анализ
    Каноничен корелационен анализ
  • Многомерно мащабиране
  • Клъстеризиране
  • (Пакет за групиране)
  • K-означава K-medoids DBSCAN Йерархично клъстериране Марков клъстерен алгоритъм Размито C-означава клъстериране
  • Байесово Statistics и вероятностно програмиране

    (пакет Turing)

      Верижен модел на Марков Карло Хамилтонов Монтел Карло Гаусови модели на смеси Байесова линейна регресия Байесова експоненциална фамилна регресия Байесов Neural Networks Скрити модели на Марков Филтриране на частици Вариационен извод

    Изисквания

    Този курс е предназначен за хора, които вече имат опит в науката за данни и статистиката.

     

     21 Hours

    Брой участници



    Цена за участник

    Oтзиви от потребители (5)

    Свързани Kурсове

    Introduction to Data Visualization with Tidyverse and R

    7 Hours

    Econometrics: Eviews and Risk Simulator

    21 Hours

    HR Analytics for Public Organisations

    14 Hours

    Statistical Analysis using SPSS

    21 Hours

    Talent Acquisition Analytics

    14 Hours

    Advanced R

    7 Hours

    Algorithmic Trading with Python and R

    14 Hours

    Anomaly Detection with Python and R

    14 Hours

    Programming with Big Data in R

    21 Hours

    R Fundamentals

    21 Hours

    Cluster Analysis with R and SAS

    14 Hours

    Data and Analytics - from the ground up

    42 Hours

    Data Analytics With R

    21 Hours

    Data Mining with R

    14 Hours

    Deep Learning for Finance (with R)

    28 Hours

    Свързани Kатегории