Dieser Kurs ist Teil der Spezialisierung Spezialisierung Data Science Foundations: Statistical Inference

4.2

Sterne

42 Bewertungen

Jem Corcoran

3.615 bereits angemeldet

von

Teil des Abschlusses Master of Science in Data Science
Mehr erfahren

Spezialisierung Data Science Foundations: Statistical InferenceUniversity of Colorado Boulder

Über diesen Kurs

44.601 kürzliche Aufrufe

This course introduces statistical inference, sampling distributions,  and confidence intervals. Students will learn how to define and construct  good estimators, method of moments estimation, maximum likelihood estimation, and methods of constructing confidence intervals that will extend to more general settings.  
This course can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder.

Logo adapted from photo by Christopher Burns on Unsplash.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 2 von 3 in

Spezialisierung Data Science Foundations: Statistical Inference

Stufe „Mittel“

Sequence in calculus up through Calculus II (preferably multivariate calculus) and some programming experience in R.

Ca. 27 Stunden zum Abschließen

Englisch

Was Sie lernen werden

Identify characteristics of “good” estimators and be able to compare competing estimators.
Construct sound estimators using the techniques of maximum likelihood and method of moments estimation.
Construct and interpret confidence intervals for one and two population means, one and two population proportions, and a population variance.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 2 von 3 in

Spezialisierung Data Science Foundations: Statistical Inference

Stufe „Mittel“

Sequence in calculus up through Calculus II (preferably multivariate calculus) and some programming experience in R.

Ca. 27 Stunden zum Abschließen

Englisch

Dozent

Dozentenbewertung

4,46/5 (15 Bewertungen)

Jem Corcoran

von

University of Colorado Boulder

Beginnen Sie damit, auf Ihren Master-Abschluss hinzuarbeiten.

Dieses Kurs ist Teil des reinen Onlineabschlusses als Master of Science in Data Science von University of Colorado Boulder. Wenn Sie zum gesamten Studiengang zugelassen werden, werden Ihre Kurse auf Ihren Abschluss angerechnet.

Mehr erfahren

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche1

Woche 1

1 Stunde zum Abschließen

Start Here!

1 Stunde zum Abschließen

1 Video (Gesamt 7 min), 3 Lektüren

7 Stunden zum Abschließen

Point Estimation

In this module you will learn how to estimate parameters from a large population based only on information from a small sample. You will learn about desirable properties that can be used to help you to differentiate between good and bad estimators. We will review the concepts of expectation, variance, and covariance, and you will be introduced to a formal, yet intuitive, method of estimation known as the "method of moments".

7 Stunden zum Abschließen

10 Videos (Gesamt 153 min), 11 Lektüren, 5 Quiz

10 Videos

Discrete Random Variables and Probability Mass Functions11mContinuous Random Variables and Probability Density Functions7mJoint Distributions and Independence10mThe Gamma Distribution17mTransformations of Distributions20mExpectation and Properties of Expectation16mVariance and Covariance17mEstimators and Sampling Distributions15mDistributions of Sums22mMethod of Moments Estimators13m

11 Lektüren

Important Discrete Distributions10mImportant Continuous Distributions20mTable Summarizing Important Distributions 10mJoint Distributions10mVideo Slides: The Gamma Distribution15mVideo Slides for Transformations of DistributionsVideo Slides for Expectation and Properties of ExpectationVideo Slides for Variance and CovarianceVideo Slides for Estimators and Sampling DistributionsVideo Slides for Distributions of SumsVideo Slides for Method of Moments Estimators

4 praktische Übungen

Recognizing Discrete Distributions15mCalculations with Continuous Distributions25mProbability, Expectation, and Variance30mMethod of Moments Estimation30m

Woche2

Woche 2

4 Stunden zum Abschließen

Maximum Likelihood Estimation

4 Stunden zum Abschließen

5 Videos (Gesamt 67 min), 5 Lektüren, 3 Quiz

5 Videos

A Motivating Example8mNotation, Terminology, and First Complete Examples13mMLEs for Multiple and Support Parameters17mThe Invariance Property20mMean Squared Error, Bias, and Relative Efficiency7m

5 Lektüren

Video Slides for A Motivating ExampleVideo Slides for Notation, Terminology, and First Complete ExamplesVideo Slides for MLEs for Multiple and Support ParametersVideo Slides for The Invariance PropertyVideo Slides for Mean Squared Error, Bias and Relative Efficiency

2 praktische Übungen

Finding MLEs30mInvariance, Mean-Squared Error, and Efficiency30m

Woche3

Woche 3

6 Stunden zum Abschließen

Large Sample Properties of Maximum Likelihood Estimators

6 Stunden zum Abschließen

5 Videos (Gesamt 100 min), 5 Lektüren, 3 Quiz

5 Videos

Fisher Information and the Cramer-Rao Lower Bound19mComputational Simplifications for the CRLB14mThe Weak Law of Large Numbers22mThe Central Limit Theorem22mLarge Sample Properties of MLEs21m

5 Lektüren

Video Slides for Fisher Information and the Cramér-Rao Lower Bound10mVideo Slides for Computational Simplifications for the CRLB10mVideo Slides for The Weak Law of Large Numbers10mVideo Slides for The Central Limit Theorem10mVideo Slides for Large Sample Properties of MLEs10m

2 praktische Übungen

The Cramer-Rao Lower Bound30mFurther Computations with MLEs30m

Woche4

Woche 4

6 Stunden zum Abschließen

Confidence Intervals Involving the Normal Distribution

6 Stunden zum Abschließen

5 Videos (Gesamt 99 min), 5 Lektüren, 3 Quiz

5 Videos

Let's Build a Confidence Interval!19mThe Chi-Squared and t- Distributions27mt-Distribution Confidence Intervals20mConfidence Intervals for the Difference Between Population Means11mSmall Sample Confidence Intervals for the Difference Between Population Means20m

5 Lektüren

Video Slides for Let's Build a Confidence Interval!10mVideo Slides for the Chi-Squared and t-Distributions10mVideo Slides for t-Distribution Confidence Intervals10mVideo Slides for Confidence Intervals for the Difference Between Population Means10mVideo Slides for Small Sample Confidence Intervals for the Difference Between Population Means10m

2 praktische Übungen

Confidence Intervals Involving the Normal Distribution30mConfidence Intervals for Differences Between Means30m

Über den Spezialisierung Data Science Foundations: Statistical Inference

This program is designed to provide the learner with a solid foundation in probability theory to prepare for the broader study of statistics. It will also introduce the learner to the fundamentals of statistics and statistical theory and will equip the learner with the skills required to perform fundamental statistical analysis of a data set in the R programming language.

This specialization can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder. Logo adapted from photo by Christopher Burns on Unsplash.

Data Science Foundations: Statistical Inference

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.
Wie erfolgen Rückerstattungen?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.
Ist finanzielle Unterstützung möglich?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Statistical Inference for Estimation in Data Science

Über diesen Kurs

Was Sie lernen werden