Основы статистики. Часть 2
Цели программы
- Познакомить с методами анализа данных, которые наиболее часто применяются при статистической обработке результатов в широчайшем круге научных и прикладных областей;
- Дать знания, достаточные для быстрого и эффективного решения широкого круга задач, связанных с анализом данных.
Нашли опечатку?
Write Close
Close
Увидели опечатку? Сообщите нам!
Целевая аудитория
Специалист middle
Длительность программы
23 часов в неделю
Формат обучения
Дистанционный
Материалы программы
Видеоролики, презентации, тестирования
Преподавательский состав
Анатолий Карпов
I graduated from St. Petersburg State University (SPSU). As a cognitive psychologist I study processes of human learning. My interest in the application of computational methods in psychology led me to the field of statistics, programming and machine learning. Now I am a lecturer on biostatistics and R programming in the Bioinformatics Institute.
Иван Иванчей
Выпускник факультета психологии СПбГУ, научный сотрудник СПбГУ. Специализируется на экспериментальном исследовании и вычислительном моделировании когнитивных процессов человека.
Полина Дроздова
Аспирант биологического факультета СПбГУ. Занимается научными исследованиями в области молекулярной генетики дрожжей Saccharomyces cerevisiae. Языки программирования: R, Python.
Анализ номинативных данных
1.1 Общая информация о курсе
1.2 Постановка задачи
1.3 Расстояние Пирсона
1.4 Распределение Хи-квадрат Пирсона
1.5 Расчет p-уровня значимости
1.6 Анализ таблиц сопряженности
1.7 Анализ таблиц сопряженности. Продолжение
1.8 Точный критерий Фишера
1.9 Практические задания на R
Логистическая регрессия и непараметрические методы
2.1 Логистическая регрессия. Постановка задачи.
2.2 Модель без предикторов. Intercept only model
2.3 Модель с одним номинативным предиктором
2.4 Модель с двумя номинативными предикторами
2.5 Взаимодействие номинативных предикторов
2.6 Когда нужно использовать непараметрические методы и почему?
2.7 Непараметрические методы. Продолжение.
2.8 Практические задания на R
Кластерный анализ и метод главных компонент
3.1 Кластерный анализ методом k - средних
3.2 Может ли кластерный анализ "ошибаться"?
3.3 Как определить оптимальное число кластеров?
3.4 Иерархическая кластеризация
3.5 Введение в метод анализа главных компонент
3.6 Практические задания на R
3.7 Заключение
Часто задаваемые вопросы
Вопрос:
Как зайти в сегмент Академии технологий и данных ВШС (АТД)?
Ответ:
Для входа в сегмент АТД (https://atd.sberbank-school.ru/) Вам необходимо знать Ваш логин и пароль. В случае, если Вы не знаете или забыли Ваш логин и (или) пароль, пожалуйста, обратитесь в Службу технической поддержки по адресу atdhelp@sberbank-school.ru
Вопрос:
Могу ли я проходить обучение в сегменте АТД не с рабочего компьютера?
Ответ:
Да, Вы можете зайти в сегмент АТД с любого компьютера, имеющего доступ в Интернет.
Вопрос:
Я могу проходить обучение из "Альфы"?
Ответ:
Нет, для работы в сегменте АТД необходим доступ в Интернет.
Вопрос:
Куда обращаться, если что-то не работает (пароль неверен, не открывается тест, не отображаются материалы и т.п.)?
Ответ:
Обратитесь в Службу технической поддержки по адресу atdhelp@sberbank-school.ru
Made on
Tilda