Описание
Количество уроков: 112 Видео
Язык: Английский
Вес архива: 2,22 ГБ
Этот курс по инференциальной статистике поможет вам выстроить прочный фундамент статистического мышления и перейти от простого описания данных к умению делать корректные выводы и проверять гипотезы на практике. Материал подаётся через реальные примеры, работу с «грязными» данными и разбор инструментов в Python.
Что вы узнаете на курсе
Программа охватывает весь путь от первичного анализа данных до применения продвинутых статистических тестов. Курс сочетает теорию, практику и разбор типичных ошибок начинающих аналитиков.
Переход от описательной к инференциальной статистике
• Средние, медианы, дисперсии и другие базовые метрики
• Оценка распределений и поиск выбросов
• Сбор и подготовка данных для дальнейшего анализа
Доверительные интервалы и проверка гипотез
• Построение доверительных интервалов и интерпретация результатов
• t-тесты: одно- и двухвыборочные, парные
• Ошибки первого и второго рода, p-value, мощность теста
Продвинутые методы: ANOVA и непараметрические тесты
• Однофакторный и многофакторный ANOVA
• Тесты Манна–Уитни, Краскела–Уоллиса и другие методы для сложных распределений
• Выбор корректного теста в зависимости от данных
Практическая часть и работа в Python
Каждый блок курса включает примеры и упражнения в Python, ориентированные на реальные рабочие сценарии.
Ключевые навыки работы в Python
• Использование библиотек pandas, scipy и statsmodels
• Автоматизация расчётов и визуализация результатов
• Обработка и очистка реальных наборов данных
Capstone‑проекты
Завершая курс, вы решите практические задачи: проведёте анализ данных, проверите гипотезы, выберете модели и подготовите обоснованный статистический отчёт — так же, как это делают аналитики и data scientists в компаниях.
Кому подойдёт этот курс
• Начинающим аналитикам данных
• Студентам технических и экономических направлений
• Специалистам, которые хотят укрепить статистическую базу
• Тем, кто проходил базовую статистику и хочет перейти на следующий уровень
Если вы хотите научиться уверенно работать с данными, понимать статистические методы и принимать решения на основе доказательств — этот курс станет отличной точкой роста.
Дмитрий С. –
Как практикующий аналитик ценю, что курс не ограничивается теорией: работа с «грязными» данными и statsmodels сразу пригодилась в рабочих задачах. Поиск выбросов и оценка распределений изложены ясно, без лишней математики. Правда, часть про непараметрические тесты можно было раскрыть подробнее. В целом за свои 9 часов даёт крепкую базу.
Марина В. –
Брала курс с опытом работы в аналитике, но пробелы по инференциальной статистике были. Доверительные интервалы и разбор парных и двухвыборочных t-тестов дали более чёткое понимание, чем отрывочные статьи. Капстон-проекты хороши тем, что заставляют пройти весь путь: очистка данных, проверка гипотез, выбор метода. Единственное — хотелось бы чуть больше примеров с многофакторным ANOVA, там темп ощутимо быстрее.
Алексей К. –
Раньше путал, когда ставить t-тест, а когда непараметрику — после блока про Манна–Уитни и Краскела–Уоллиса наконец выстроилась логика выбора. Особенно полезны разборы ошибок первого и второго рода и объяснение мощности теста на понятных примерах. Материал явно для новичков, но подаётся аккуратно, без воды. Понравилось, что всё закрепляется в Python через pandas и scipy.