Этот курс входит в специализацию ''Специализация Advanced Statistics for Data Science'

Brian Caffo, PhD

от партнера

Специализация Advanced Statistics for Data ScienceУниверситет Джонса Хопкинса

Об этом курсе

Недавно просмотрено: 8,897

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.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 4 из 4 в программе

Специализация Advanced Statistics for Data Science

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 6 часов на выполнение

Английский

Субтитры: Арабский, Французский, Португальский (Европа), Китайский (упрощенное письмо), Итальянский, Вьетнамский, Корейский, Немецкий, Русский, Турецкий, Английский, Испанский

Преподаватели

Brian Caffo, PhD

Professor, Biostatistics

Bloomberg School of Public Health

1,292,083 учащихся

21 курс

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 4 из 4 в программе

Специализация Advanced Statistics for Data Science

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 6 часов на выполнение

Английский

от партнера

Университет Джонса Хопкинса

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.

Программа курса: что вы изучите

Неделя

Неделя 1

2 ч. на завершение

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 ч. на завершение

7 видео ((всего 38 мин.)), 3 материалов для самостоятельного изучения, 1 тест

7 видео

Introductory video2мин

Multivariate expected values, the basics4мин

Expected values, matrix operations2мин

Multivariate variances and covariances5мин

Multivariate covariance and variance matrix operations5мин

Expected values of quadratic forms3мин

Expected value properties of least squares estimates13мин

3 материала для самостоятельного изучения

Welcome to the class10мин

Course textbook10мин

Introduction to expected values10мин

1 практическое упражнение

Expected Values30мин

Неделя

Неделя 2

1 ч. на завершение

The multivariate normal distribution

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

1 ч. на завершение

4 видео ((всего 31 мин.)), 2 материалов для самостоятельного изучения, 1 тест

4 видео

Normals and multivariate normals8мин

The singular normal distribution7мин

Normal likelihoods5мин

Normal conditional distributions8мин

2 материала для самостоятельного изучения

Introduction to the multivariate normal10мин

A note on the last quiz question.10мин

1 практическое упражнение

the multivariate normal20мин

Неделя

Неделя 3

1 ч. на завершение

Distributional results

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

1 ч. на завершение

8 видео ((всего 60 мин.)), 1 материал для самостоятельного изучения, 1 тест

8 видео

Chi squared results for quadratic forms10мин

Confidence intervals for regression coefficients6мин

F distribution4мин

Coding example7мин

Prediction intervals11мин

Coding example5мин

Confidence ellipsoids7мин

Coding example6мин

1 материал для самостоятельного изучения

Distributional results10мин

1 практическое упражнение

Distributional results20мин

Неделя

Неделя 4

1 ч. на завершение

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 ч. на завершение

4 видео ((всего 32 мин.)), 2 материалов для самостоятельного изучения, 1 тест

4 видео

Residuals distributional results5мин

Code demonstration3мин

Leave one out residuals8мин

Press residuals14мин

2 материала для самостоятельного изучения

Residuals10мин

Thanks for taking the course10мин

1 практическое упражнение

Residuals30мин

Специализация Advanced Statistics for Data Science: общие сведения

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.

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Is financial aid available?
Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке "Финансовая помощь" слева под кнопкой "Зарегистрироваться". Заполните форму заявления. Если его примут, вы получите уведомление. Обратите внимание: этот шаг необходимо выполнить для каждого курса специализации, в том числе для дипломного проекта. Подробнее

Остались вопросы? Посетите Центр поддержки учащихся.

Advanced Linear Models for Data Science 2: Statistical Linear Models