Dieser Kurs ist Teil der Spezialisierung Spezialisierung Advanced Statistics for Data Science

Brian Caffo, PhD

von

Spezialisierung Advanced Statistics for Data ScienceJohns Hopkins University

Über diesen Kurs

9,198 kürzliche Aufrufe

Welcome to the Advanced Linear Models for Data Science Class 2: Statistical Linear Models. This class is an introduction to least squares from a linear algebraic and mathematical perspective. Before beginning the class make sure that you have the following:
- A basic understanding of linear algebra and multivariate calculus.
- A basic understanding of statistics and regression models.
- At least a little familiarity with proof based mathematics.
- Basic knowledge of the R programming language.

After taking this course, students will have a firm foundation in a linear algebraic treatment of regression modeling. This will greatly augment applied data scientists' general understanding of regression models.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Kurs 4 von 4 in

Spezialisierung Advanced Statistics for Data Science

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Stufe „Fortgeschritten“

Ca. 6 Stunden zum Abschließen

Englisch

Untertitel: Arabischer Raum, Französisch, Portugiesisch (europäisch), Chinesisch (vereinfacht), Italienisch, Vietnamesisch, Koreanisch, Deutsch, Russisch, Türkisch, Englisch, Spanisch

Dozent

Brian Caffo, PhD

Professor, Biostatistics

Bloomberg School of Public Health

1,289,914 Kursteilnehmer

21 Kurse

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Kurs 4 von 4 in

Spezialisierung Advanced Statistics for Data Science

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Stufe „Fortgeschritten“

Ca. 6 Stunden zum Abschließen

Englisch

Untertitel: Arabischer Raum, Französisch, Portugiesisch (europäisch), Chinesisch (vereinfacht), Italienisch, Vietnamesisch, Koreanisch, Deutsch, Russisch, Türkisch, Englisch, Spanisch

von

Johns Hopkins University

The mission of The Johns Hopkins University is to educate its students and cultivate their capacity for life-long learning, to foster independent and original research, and to bring the benefits of discovery to the world.

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche

Woche 1

2 Stunden zum Abschließen

Introduction and expected values

In this module, we cover the basics of the course as well as the prerequisites. We then cover the basics of expected values for multivariate vectors. We conclude with the moment properties of the ordinary least squares estimates.

2 Stunden zum Abschließen

7 Videos (Gesamt 38 min), 3 Lektüren, 1 Quiz

7 Videos

Introductory video2m

Multivariate expected values, the basics4m

Expected values, matrix operations2m

Multivariate variances and covariances5m

Multivariate covariance and variance matrix operations5m

Expected values of quadratic forms3m

Expected value properties of least squares estimates13m

3 Lektüren

Welcome to the class10m

Course textbook10m

Introduction to expected values10m

1 praktische Übung

Expected Values30m

Woche

Woche 2

1 Stunde zum Abschließen

The multivariate normal distribution

In this module, we build up the multivariate and singular normal distribution by starting with iid normals.

1 Stunde zum Abschließen

4 Videos (Gesamt 31 min), 2 Lektüren, 1 Quiz

4 Videos

Normals and multivariate normals8m

The singular normal distribution7m

Normal likelihoods5m

Normal conditional distributions8m

2 Lektüren

Introduction to the multivariate normal10m

A note on the last quiz question.10m

1 praktische Übung

the multivariate normal20m

Woche

Woche 3

1 Stunde zum Abschließen

Distributional results

In this module, we build the basic distributional results that we see in multivariable regression.

1 Stunde zum Abschließen

8 Videos (Gesamt 60 min), 1 Lektüre, 1 Quiz

8 Videos

Chi squared results for quadratic forms10m

Confidence intervals for regression coefficients6m

F distribution4m

Coding example7m

Prediction intervals11m

Coding example5m

Confidence ellipsoids7m

Coding example6m

1 Lektüre

Distributional results10m

1 praktische Übung

Distributional results20m

Woche

Woche 4

1 Stunde zum Abschließen

Residuals

In this module we will revisit residuals and consider their distributional results. We also consider the so-called PRESS residuals and show how they can be calculated without re-fitting the model.

1 Stunde zum Abschließen

4 Videos (Gesamt 32 min), 2 Lektüren, 1 Quiz

4 Videos

Residuals distributional results5m

Code demonstration3m

Leave one out residuals8m

Press residuals14m

2 Lektüren

Residuals10m

Thanks for taking the course10m

1 praktische Übung

Residuals30m

Über den Spezialisierung Advanced Statistics for Data Science

Fundamental concepts in probability, statistics and linear models are primary building blocks for data science work. Learners aspiring to become biostatisticians and data scientists will benefit from the foundational knowledge being offered in this specialization. It will enable the learner to understand the behind-the-scenes mechanism of key modeling tools in data science, like least squares and linear regression.

This specialization starts with Mathematical Statistics bootcamps, specifically concepts and methods used in biostatistics applications. These range from probability, distribution, and likelihood concepts to hypothesis testing and case-control sampling. This specialization also linear models for data science, starting from understanding least squares from a linear algebraic and mathematical perspective, to statistical linear models, including multivariate regression using the R programming language. These courses will give learners a firm foundation in the linear algebraic treatment of regression modeling, which will greatly augment applied data scientists' general understanding of regression models. This specialization requires a fair amount of mathematical sophistication. Basic calculus and linear algebra are required to engage in the content.

Häufig gestellte Fragen

Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Is financial aid available?
Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren

Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..

Advanced Linear Models for Data Science 2: Statistical Linear Models