在本课程中，我们将扩展对统计推断技术的探索，重点关注将统计模型拟合到数据的科学和艺术。我们将以统计推断课程（课程 2）中提出的概念为基础，强调将研究问题与数据分析方法联系起来的重要性。本课程将介绍和探讨各种统计建模技术，包括线性回归、逻辑回归、广义线性模型、层次和混合效应（或多层次）模型以及贝叶斯推断技术。所有技术都将使用各种真实数据集进行说明，课程将强调针对不同类型的数据集采用不同的建模方法，具体取决于数据背后的研究设计（请参阅课程 1 "使用 Python 理解和可视化数据"）。 在这些基于实验室的课程中，学员将通过侧重于具体案例研究的教程来帮助巩固本周的统计概念，其中包括进一步深入学习 Python 库，包括 Statsmodels、Pandas 和 Seaborn。本课程使用 Coursera 中的 Jupyter Notebook 环境。
用 Python 对数据拟合统计模型
用 Python 对数据拟合统计模型
本课程是 用 Python 进行统计 专项课程 的一部分
位教师：Brenda Gunderson
访问权限由 Coursera Learning Team 提供
36,530 人已注册
您将学到什么
通过掌握数据拟合统计模型的艺术，加深对统计推断技术的理解。
将研究问题与数据分析方法联系起来，强调目标、变量之间的关系以及预测。
利用真实数据集探索各种统计建模技术，如线性回归、逻辑回归和贝叶斯推断。
在 Jupyter Notebook 环境中，使用 Python 和 Statsmodels、Pandas、Seaborn 等库来进行实践案例研究。
要了解的详细信息
可分享的证书
添加到您的领英档案
作业
7 项作业
授课语言：英语（English）
了解顶级公司的员工如何掌握热门技能
积累特定领域的专业知识
本课程是 用 Python 进行统计 专项课程 专项课程的一部分
在注册此课程时，您还会同时注册此专项课程。
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书
该课程共有4个模块
在 Python 统计学专业第三课开始时，我们将概述 "对数据拟合统计模型 "的含义。在第一周，我们将介绍模型拟合的关键概念，包括因变量和自变量的区别、在拟合模型时如何考虑研究设计、评估模型拟合的质量、探索在统计建模中如何处理不同类型的变量，以及明确定义拟合模型的目标。
涵盖的内容
8个视频6篇阅读材料1个作业2个非评分实验室
在第二周，我们将向您介绍两种回归类型的基础知识：线性回归和逻辑回归。 您将有机会思考如何拟合模型，如何评估这些模型的拟合程度，以及如何根据数据解释这些模型。 您还将学习如何在 Python 中实现这些模型。
涵盖的内容
5个视频4篇阅读材料3个作业3个非评分实验室
在本课程的第三周，我们将以第二周讨论的建模概念为基础。多层次模型和边际模型将是我们讨论的主要话题，因为这些模型能让研究人员考虑到研究设计所引入的相关变量的依赖性。我们将讨论为什么以及何时采用这些替代模型、似然比检验以及固定效应及其解释。
涵盖的内容
7个视频3篇阅读材料2个作业4个非评分实验室
在最后一周，我们将介绍一些特殊主题，进一步扩展前几周的课程内容。我们将涵盖广泛的主题，例如各种类型的因变量、探索抽样方法以及在拟合模型时是否使用调查权重，以及利用贝叶斯技术从数据中获得洞察力的深入案例研究。您还有机会在 Python 中应用贝叶斯技术。
涵盖的内容
6个视频4篇阅读材料1个作业1个讨论话题1个非评分实验室
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
学生评论
- 5 stars
66.43%
- 4 stars
19.44%
- 3 stars
7.97%
- 2 stars
3.49%
- 1 star
2.65%
显示 3/715 个
KA
已于 Jul 11, 2021审阅
Just like the other courses in the specialization, very well thought out and planned! Up to date, great professors . . . couldn't ask for more!
AA
已于 Jun 19, 2020审阅
The course was wonderful however, sometimes I felt that a little bit more details could be provided when python code was being explained for week 2.
AF
已于 Mar 11, 2019审阅
The course is actually pretty good, however the mix between basic subjects (like univariate linear regression) and relatively advanced topics (marginal models) may discourage some students.
从 数据科学 浏览更多内容
University of Michigan
University of Michigan
Edureka
