This specialization is designed to teach learners beginning and intermediate concepts of statistical analysis using the Python programming language. Learners will learn where data come from, what types of data can be collected, study data design, data management, and how to effectively carry out data exploration and visualization. They will be able to utilize data for estimation and assessing theories, construct confidence intervals, interpret inferential results, and apply more advanced statistical modeling procedures. Finally, they will learn the importance of and be able to connect research questions to the statistical and data analysis methods taught to them.
Spezialisierung Statistics with Python
Practical and Modern Statistical Thinking For All. Use Python for statistical visualization, inference, and modeling
10,406 bereits angemeldet!
von
Über dieses Spezialisierung
36,449 kürzliche Aufrufe
Was Sie lernen werden
Create and interpret data visualizations using the Python programming language and associated packages & libraries
Apply and interpret inferential procedures when analyzing real data
Apply statistical modeling techniques to data (ie. linear and logistic regression, linear models, multilevel models, Bayesian inference techniques)
Understand importance of connecting research questions to data analysis methods.
Kompetenzen, die Sie erwerben
Python ProgrammingData Visualization (DataViz)Statistical ModelStatistical inference methods
Kurse, die komplett online stattfinden
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexibler Zeitplan
Festlegen und Einhalten flexibler Termine.
Stufe „Anfänger“
High school-level algebra
Ca. 2 Monate zum Abschließen
Empfohlen werden 7 Stunden/Woche
Englisch
Untertitel: Englisch, Koreanisch
So funktioniert die Spezialisierung
Kurse absolvieren
Eine Coursera-Spezialisierung ist eine Reihe von Kursen, in denen Sie eine Kompetenz erwerben. Um zu beginnen, melden Sie sich direkt für die Spezialisierung an oder überprüfen Sie deren Kurse und wählen Sie denjenigen Kurs aus, mit dem Sie beginnen möchten. Wenn Sie einen Kurs abonnieren, der Bestandteil einer Spezialisierung ist, abonnieren Sie automatisch die gesamte Spezialisierung Es ist in Ordnung, wenn Sie nur einen Kurs absolvieren möchten — Sie können Ihren Lernprozess jederzeit unterbrechen oder Ihr Abonnement kündigen. Gehen Sie zu Ihrem Kursteilnehmer-Dashboard, um Ihre Kursanmeldungen und Ihren Fortschritt zu verfolgen.
Praxisprojekt
Jede Spezialisierung umfasst ein Praxisprojekt. Sie müssen das Projekt/die Projekte erfolgreich abschließen, um die Spezialisierung abzuschließen und Ihr Zertifikat zu erwerben. Wenn die Spezialisierung einen separaten Kurs für das Praxisprojekt umfasst, müssen Sie zunächst alle anderen Kurse abschließen, bevor Sie damit beginnen können.
Zertifikat erwerben
Wenn Sie alle Kurse und das Praxisprojekt abgeschlossen haben, erhalten Sie ein Zertifikat, dass Sie für potenzielle Arbeitgeber und Ihr berufliches Netzwerk freigeben können.
Es gibt 3 Kurse in dieser Spezialisierung
Understanding and Visualizing Data with Python
681 Bewertungen
In this course, learners will be introduced to the field of statistics, including where data come from, study design, data management, and exploring and visualizing data. Learners will identify different types of data, and learn how to visualize, analyze, and interpret summaries for both univariate and multivariate data. Learners will also be introduced to the differences between probability and non-probability sampling from larger populations, the idea of how sample estimates vary, and how inferences can be made about larger populations based on probability sampling. At the end of each week, learners will apply the statistical concepts they’ve learned using Python within the course environment. During these lab-based sessions, learners will discover the different uses of Python as a tool, including the Numpy, Pandas, Statsmodels, Matplotlib, and Seaborn libraries. Tutorial videos are provided to walk learners through the creation of visualizations and data management, all within Python. This course utilizes the Jupyter Notebook environment within Coursera.
Inferential Statistical Analysis with Python
291 Bewertungen
In this course, we will explore basic principles behind using data for estimation and for assessing theories. We will analyze both categorical data and quantitative data, starting with one population techniques and expanding to handle comparisons of two populations. We will learn how to construct confidence intervals. We will also use sample data to assess whether or not a theory about the value of a parameter is consistent with the data. A major focus will be on interpreting inferential results appropriately. At the end of each week, learners will apply what they’ve learned using Python within the course environment. During these lab-based sessions, learners will work through tutorials focusing on specific case studies to help solidify the week’s statistical concepts, which will include further deep dives into Python libraries including Statsmodels, Pandas, and Seaborn. This course utilizes the Jupyter Notebook environment within Coursera.
Fitting Statistical Models to Data with Python
180 Bewertungen
In this course, we will expand our exploration of statistical inference techniques by focusing on the science and art of fitting statistical models to data. We will build on the concepts presented in the Statistical Inference course (Course 2) to emphasize the importance of connecting research questions to our data analysis methods. We will also focus on various modeling objectives, including making inference about relationships between variables and generating predictions for future observations. This course will introduce and explore various statistical modeling techniques, including linear regression, logistic regression, generalized linear models, hierarchical and mixed effects (or multilevel) models, and Bayesian inference techniques. All techniques will be illustrated using a variety of real data sets, and the course will emphasize different modeling approaches for different types of data sets, depending on the study design underlying the data (referring back to Course 1, Understanding and Visualizing Data with Python). During these lab-based sessions, learners will work through tutorials focusing on specific case studies to help solidify the week’s statistical concepts, which will include further deep dives into Python libraries including Statsmodels, Pandas, and Seaborn. This course utilizes the Jupyter Notebook environment within Coursera.
Über University of Michigan
The mission of the University of Michigan is to serve the people of Michigan and the world through preeminence in creating, communicating, preserving and applying knowledge, art, and academic values, and in developing leaders and citizens who will challenge the present and enrich the future.
Häufig gestellte Fragen
Wie erfolgen Rückerstattungen?
Kann ich mich auch nur für einen Kurs anmelden?
Ja! Um loszulegen, klicken Sie auf die Kurskarte, die Sie interessiert, und melden Sie sich an. Sie können sich anmelden und den Kurs absolvieren, um ein teilbares Zertifikat zu erwerben, oder Sie können als Gast teilnehmen, um die Kursmaterialien gratis einzusehen. Wenn Sie einen Kurs abonnieren, der Teil einer Spezialisierung ist, abonnieren Sie automatisch die gesamte Spezialisierung. Auf Ihrem Kursteilnehmer-Dashboard können Sie Ihren Fortschritt verfolgen.
Ist finanzielle Unterstützung möglich?
Kann ich kostenlos an diesem Kurs teilnehmen?
Findet dieser Kurs wirklich ausschließlich online statt? Muss ich zu irgendwelchen Sitzungen persönlich erscheinen?
Dieser Kurs findet ausschließlich online statt, Sie müssen also zu keiner Sitzung persönlich erscheinen. Sie können jederzeit und überall über das Netz oder Ihr Mobilgerät auf Ihre Vorträge, Lektüren und Aufgaben zugreifen.
Wie lange dauert es, die Spezialisierung abzuschließen?
This specialization is made up of three courses, each with four weeks/modules. Each week in a course requires a commitment of roughly 3-6 hours, which will vary by learner.
What background knowledge is necessary?
High school-level algebra is the only background knowledge mandatory for the first course in the series. A basic Python and/or coding background is recommended.
Do I need to take the courses in a specific order?
It is definitely recommended to take this specialization in order.
Erhalte ich akademische Leistungspunkte für den Abschluss der Spezialisierung?
You will not earn University credit for completing this specialization.
What will I be able to do upon completing the Specialization?
Upon completion of all courses in this specialization, you will have a solid grasp of statistical analysis and will be able to conduct analyses using the Python programming language. You'll be able to create data visualizations in Python, as well as interpret and explain them. You will be able to utilize data for estimation and assessing theories, interpretation of inferential results, and you will be able to apply more advanced statistical modeling procedures.
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..