Einige empfohlene Praktiken für ethisches Verhalten und Kommunikation in der Statistik und Datenwissenschaft zu formulieren.
Interpretieren Sie wichtige Komponenten des MLR-Modells, einschließlich der "systematischen" und "zufälligen" Komponenten des Modells.
Beschreiben und implementieren Sie testbasierte Verfahren für die Modellauswahl und wählen Sie ein "bestes" Modell auf der Grundlage eines bestimmten Verfahrens aus.
Kompetenzen, die Sie erwerben
Kategorie: Plot (Grafiken)
Plot (Grafiken)
Kategorie: Regressionsanalyse
Regressionsanalyse
Kategorie: Korrelationsanalyse
Korrelationsanalyse
Kategorie: Prädiktive Analytik
Prädiktive Analytik
Kategorie: Statistische Analyse
Statistische Analyse
Kategorie: Wahrscheinlichkeitsrechnung und Statistik
Wahrscheinlichkeitsrechnung und Statistik
Kategorie: Bewertung des Modells
Bewertung des Modells
Kategorie: Statistische Programmierung
Statistische Programmierung
Kategorie: Prädiktive Modellierung
Prädiktive Modellierung
Kategorie: Statistische Hypothesenprüfung
Statistische Hypothesenprüfung
Kategorie: Statistische Inferenz
Statistische Inferenz
Kategorie: Statistische Methoden
Statistische Methoden
Kategorie: Datenwissenschaft
Datenwissenschaft
Kategorie: Daten-Ethik
Daten-Ethik
Kategorie: Statistische Modellierung
Statistische Modellierung
Werkzeuge, die Sie lernen werden
Kategorie: R Programmierung
R Programmierung
Wichtige Details
Zertifikat zur Vorlage
Zu Ihrem LinkedIn-Profil hinzufügen
Bewertungen
11 Aufgaben
Unterrichtet in Englisch
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage
In diesem Kurs gibt es 6 Module
Dieser Kurs vermittelt eine Reihe grundlegender statistischer Modellierungswerkzeuge für die Datenwissenschaft. Insbesondere werden die Studenten in die Methoden, die Theorie und die Anwendungen linearer statistischer Modelle eingeführt. Dabei werden die Themen Parameterschätzung, Residualdiagnose, Anpassungsgüte und verschiedene Strategien zur Variablenauswahl und zum Modellvergleich behandelt. Auch der Missbrauch von statistischen Modellen und die ethischen Implikationen eines solchen Missbrauchs werden behandelt. Dieser Kurs kann im Rahmen des Master of Science in Data Science (MS-DS) der CU Boulder, der auf der Coursera-Plattform angeboten wird, angerechnet werden. Der MS-DS ist ein interdisziplinärer Studiengang, der Dozenten aus den Fachbereichen Angewandte Mathematik, Informatik, Informationswissenschaften und anderen Bereichen der CU Boulder zusammenbringt. Da die Zulassung leistungsabhängig ist und es kein Bewerbungsverfahren gibt, ist der MS-DS ideal für Personen mit einem breiten Spektrum an grundständiger Ausbildung und/oder Berufserfahrung in Informatik, Informationswissenschaft, Mathematik und Statistik. Erfahren Sie mehr über das MS-DS-Programm unter https://hua.dididi.sbs/degrees/master-of-science-data-science-boulder. Logo angepasst von Foto von Vincent Ledvina auf Unsplash
In diesem Modul werden wir den grundlegenden konzeptionellen Rahmen für die statistische Modellierung im Allgemeinen und für lineare Regressionsmodelle im Besonderen vorstellen.
Rahmen und Ziele der statistischen Modellierung•15 Minuten
Die Annahme der Konzeptvalidität•8 Minuten
Das lineare Regressionsmodell•12 Minuten
Matrixdarstellung des linearen Regressionsmodells•15 Minuten
Annahmen der linearen Regression•9 Minuten
Die Angemessenheit der linearen Regression•11 Minuten
Interpretation des linearen Regressionsmodells I•7 Minuten
Interpretation des linearen Regressionsmodells II•5 Minuten
4 Lektüren•Insgesamt 31 Minuten
Kursaktualisierungen und Unterstützung bei der Barrierefreiheit•1 Minute
Verdienen Sie akademische Anerkennung für Ihre Arbeit!•10 Minuten
Kurs-Unterstützung•10 Minuten
Erwartungen an die Bewertung•10 Minuten
2 Aufgaben•Insgesamt 60 Minuten
Einführung in die statistische Modellierung•30 Minuten
Das lineare Regressionsmodell•30 Minuten
2 Programmieraufgaben•Insgesamt 180 Minuten
Modul 1 Autograded•120 Minuten
Optionale Einführung in Jupyter und R•60 Minuten
1 peer review•Insgesamt 60 Minuten
Modul 1 Peer Review Einreichung•60 Minuten
1 Diskussionsthema•Insgesamt 10 Minuten
Stellen Sie sich vor•10 Minuten
1 Unbewertetes Labor•Insgesamt 60 Minuten
Modul 1: Peer Reviewed Lab•60 Minuten
Lineare Regressionsparameter-Schätzung
Modul 2•8 Stunden abzuschließen
Moduldetails
In diesem Modul werden wir lernen, wie man lineare Regressionsmodelle mit Hilfe der kleinsten Quadrate anpasst. Wir werden auch die Eigenschaften der kleinsten Quadrate untersuchen und einige Metriken zur Anpassungsgüte von linearen Regressionsmodellen beschreiben.
Ableitung der Lösung der kleinsten Quadrate•20 Minuten
Regressionsmodellierung in R: ein erster Durchgang•20 Minuten
Rechtfertigung der kleinsten Quadrate: das Gauß-Markov-Theorem und die Maximum-Likelihood-Schätzung•14 Minuten
Summen der Quadrate und Schätzung der Fehlervarianz•19 Minuten
Der Bestimmungskoeffizient•9 Minuten
Das Problem der Nicht-Identifizierbarkeit•7 Minuten
Regressionsmodellierung in R: ein zweiter Durchgang•22 Minuten
2 Aufgaben•Insgesamt 60 Minuten
Kleinste Quadrate•30 Minuten
Variabilität und Identifizierbarkeit in Regressionsmodellen•30 Minuten
1 Programmieraufgabe•Insgesamt 120 Minuten
Modul 2 Autograded Zuweisung•120 Minuten
1 peer review•Insgesamt 60 Minuten
Modul 2 Peer Review Einreichung•60 Minuten
1 Unbewertetes Labor•Insgesamt 120 Minuten
Modul 2 Peer Reviewed Lab•120 Minuten
Inferenz bei linearer Regression
Modul 3•9 Stunden abzuschließen
Moduldetails
In diesem Modul werden wir die Anwendungen der linearen Regressionsmodellierung zur Rechtfertigung von Rückschlüssen von Stichproben auf Populationen untersuchen.
Motivierende statistische Inferenz im Kontext der linearen Regression•10 Minuten
Die Stichprobenverteilung des Least Squares Estimators•24 Minuten
T-Tests für einzelne Regressionsparameter•14 Minuten
T-Tests in R•20 Minuten
Motivation für den F-Test: Mehrere statistische Vergleiche•8 Minuten
Der F-Test•23 Minuten
Der F-Test in R•10 Minuten
Konfidenzintervalle im RegressionskontextKonfidenzintervalle im Regressionskontext•11 Minuten
1 Lektüre•Insgesamt 30 Minuten
Ethik in der statistischen Praxis und Kommunikation: Fünf Empfehlungen•30 Minuten
2 Aufgaben•Insgesamt 60 Minuten
Statistische Inferenz: Einführung und T-Tests•30 Minuten
Statistische Inferenz: die F-Tests und Konfidenzintervalle•30 Minuten
1 Programmieraufgabe•Insgesamt 120 Minuten
Modul 3 Autograded Zuweisung•120 Minuten
2 peer reviews•Insgesamt 120 Minuten
Ethik in der statistischen Praxis und Kommunikation: Fünf Empfehlungen•60 Minuten
Modul 3 Einreichung der Peer Review•60 Minuten
1 Unbewertetes Labor•Insgesamt 60 Minuten
Modul 3 Peer Reviewed Lab•60 Minuten
Vorhersagen und Erklärungen in der linearen Regressionsanalyse
Modul 4•6 Stunden abzuschließen
Moduldetails
In diesem Modul werden wir herausfinden, wie Modelle zukünftige Werte vorhersagen und Intervallschätzungen für diese Werte konstruieren können. Wir werden auch die Beziehung zwischen statistischer Modellierung und kausalen Erklärungen untersuchen.
Unterscheidung zwischen Vorhersage und Erklärung•12 Minuten
Punktschätzungen für die Vorhersage•11 Minuten
Intervallschätzungen für Vorhersagen•10 Minuten
Vorhersagen mit echten Daten in R erstellen•19 Minuten
Wenn die Vorhersage schief geht•8 Minuten
Definition von Kausalität•22 Minuten
1 Aufgabe•Insgesamt 30 Minuten
Vorhersage•30 Minuten
1 Programmieraufgabe•Insgesamt 120 Minuten
Modul 4 Autograded Zuweisung•120 Minuten
1 peer review•Insgesamt 60 Minuten
Modul 4 Einreichung der Peer Review•60 Minuten
1 Unbewertetes Labor•Insgesamt 60 Minuten
Modul 4 Peer Review Labor•60 Minuten
Regressionsdiagnostik
Modul 5•7 Stunden abzuschließen
Moduldetails
In diesem Modul werden wir lernen, wie man Probleme mit der Anpassung eines linearen Regressionsmodells diagnostiziert. Insbesondere werden wir formale Tests und Visualisierungen verwenden, um zu entscheiden, ob ein lineares Modell für die vorliegenden Daten geeignet ist.
Verstöße gegen die Linearitätsvermutung•13 Minuten
Verstöße gegen die Unabhängigkeitsvermutung•15 Minuten
Verstöße gegen die Annahme der konstanten Varianz•11 Minuten
Verstöße gegen die Normalitätsvermutung•10 Minuten
Diagnostik in R•15 Minuten
2 Aufgaben•Insgesamt 60 Minuten
Diagnostik I: Linearität und Unabhängigkeit•30 Minuten
Diagnostik II: Konstante Varianz und Normalität•30 Minuten
1 Programmieraufgabe•Insgesamt 120 Minuten
Modul 5 Autograded Zuweisung•120 Minuten
1 peer review•Insgesamt 60 Minuten
Modul 5 Einreichung der Peer Review•60 Minuten
1 Unbewertetes Labor•Insgesamt 120 Minuten
Modul 5 Peer-Review-Aufgabe•120 Minuten
Modellauswahl und Multikollinearität
Modul 6•8 Stunden abzuschließen
Moduldetails
In diesem Modul werden wir Methoden zur Modellauswahl und Modellverbesserung untersuchen. Insbesondere lernen wir, wann und wie Modellauswahltechniken wie Vorwärts- und Rückwärtsselektion sowie kriterienbasierte Methoden anzuwenden sind, und wir erfahren etwas über das Problem der Multikollinearität (auch Kollinearität genannt).
Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.
Auf einen Abschluss hinarbeiten
Dieses Kurs ist Teil des/der folgenden Studiengangs/Studiengänge, die von University of Colorado Boulderangeboten werden. Wenn Sie zugelassen werden und sich immatrikulieren, können Ihre abgeschlossenen Kurse auf Ihren Studienabschluss angerechnet werden und Ihre Fortschritte können mit Ihnen übertragen werden.¹
Mögliche Abschüsse anzeigen
Auf einen Abschluss hinarbeiten
Dieses Kurs ist Teil des/der folgenden Studiengangs/Studiengänge, die von University of Colorado Boulderangeboten werden. Wenn Sie zugelassen werden und sich immatrikulieren, können Ihre abgeschlossenen Kurse auf Ihren Studienabschluss angerechnet werden und Ihre Fortschritte können mit Ihnen übertragen werden.¹
¹Erfolgreiche Bewerbung und Einschreibung sind erforderlich. Es gelten die Zulassungsbedingungen. Jede Einrichtung legt die Anzahl der Credits fest, die durch die Absolvierung dieser Inhalte anerkannt werden und auf die Abschlussanforderungen angerechnet werden können, wobei bereits vorhandene Credits berücksichtigt werden. Klicken Sie auf einen bestimmten Kurs, um weitere Informationen zu erhalten.
OK
Dozent
Lehrkraftbewertungen
Lehrkraftbewertungen
Wir haben alle Lernenden um Feedback zu unseren Dozenten gebeten, ausgehend von der Qualität ihres Unterrichtsstils.
Die CU Boulder ist eine dynamische Gemeinschaft von Gelehrten und Lernenden auf einem der spektakulärsten College-Campus des Landes. AS eine von 34 öffentlichen US-Institutionen in der angesehenen Association of American Universities (AAU), haben wir eine stolze Tradition der akademischen Exzellenz, mit fünf Nobelpreisträgern und mehr als 50 Mitglieder der renommierten akademischen Akademien.
OK
Mehr von Wahrscheinlichkeitsrechnung und Statistik entdecken
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“
Bewertungen von Lernenden
4.3
37 Bewertungen
5 stars
72,97 %
4 stars
8,10 %
3 stars
2,70 %
2 stars
5,40 %
1 star
10,81 %
Zeigt 3 von 37 an
D
DK
5·
Geprüft am 29. Apr. 2024
A lot of work with several peer reviews, but it get you into R for Regression Analysis. Well laid out course. need knowledge of Linear algrebra for this course.
Wann werde ich Zugang zu den Vorlesungen und Aufgaben haben?
Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich mich für diese Specialization einschreibe?
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.
Ist finanzielle Hilfe verfügbar?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Einschreibegebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zur Beantragung.