Bu eğitimi kendi kurumunuzda planlayabilirsiniz. Bize Ulaşın!

Bu iki günlük eğitim, verileri analiz edenler veya makine öğrenimi modelleri oluşturan ancak temel kavramlar hakkındaki anlayışlarını sağlamlaştırmanın yanı sıra veri dağıtım türlerini, çıkarımsal istatistikleri (hipotez testleri), istatistiksel anlamlılığı ve istatistiksel anlamlılığı genişletmek isteyenler için tasarlanmıştır. Doğrusal regresyonun nasıl çalıştığına dair daha derin bir anlayış. Veri analizi için kullanılan Python veya R gibi bir programlama dili konusunda deneyim sahibi olmanız beklenmektedir; eğer durum şu anda böyle değilse Veri İşleme için Python veya R eğitimlerimizden birini tamamlamanızı öneririz.

Ortalamalar, yayılma ve analist görselleştirmelerinin yorumlanması gibi temel kavramların kullanılmasına yönelik bir iş bağlamı sağlamanın yanı sıra, bu bilgiyi daha da ileriye taşıyacak ve bir kuruluştaki verileri otomatik olarak analiz etmek için dağıtımların, örneklemenin ve hipotez testlerinin nasıl kullanılabileceğini öğreneceksiniz. Önemli sonuçların veya anormalliklerin vurgulanması.

Makine Öğrenimi ve Yapay Zeka ile bir öğrenme yolculuğundaysanız, bu eğitim size, ileri düzeyde iletişim kurmak için yaygın olarak kullanılan çok fazla matematiksel formül veya gösterimle aşırı yüklemeden, çok sayıda algoritmayı destekleyen istatistiksel yöntemler konusunda güçlü bir başlangıç noktası sağlayacaktır. matematik. Odak noktanız iş sorunları ve bu yolculuğun bir parçası olarak ihtiyaç duyacağınız Python veya R gibi araçları uygulamak olacaktır.

Veri Bilimi ile ilgili Matematik ve İstatistik anlayışınızı genişletmek istiyorsanız, bu eğitim size daha ayrıntılı programlarımız için gereken tüm önkoşul istatistiksel bilgileri verecektir.

Eğitim boyunca teknik uzmanlarımızdan biriyle pratik laboratuvarlara, etkinliklere ve tartışmalara katılacaksınız. Tüm modüller, öğretilen teknikleri uygulamak için Python veya R kullanımını içerir; böylece verilerinizi analiz etme, yorumlama ve verilerden değer elde etme konusunda başarılı olmanızı sağlar.

Minimum GCSE Math veya eşdeğeri
Veri İşleme için Python veya R deneyimi

Merkezi Eğilim, Varyasyon ve Aykırı Değerler

Uygun bir yazılım aracı kullanarak şunları hesaplayın:
- Ortalama, Mod, Medyan, Orta Aralık
- Evren ve Örneklem Standart Sapma ve Varyans
- Çeyrekler arası aralık

Yukarıdaki önlemlerin ne zaman uygun olduğunu tartışın

Aykırı değerlerin tanımlanmasını otomatikleştirmek için yöntemler uygulayın
Aykırı değerlerin uygun şekilde ele alınmasını tartışın
Python ile Pratik Laboratuvar Aktiviteleri

Görselleştirmeler ve Eğim

Uygun bir yazılım aracı kullanarak şunları oluşturun:
- Histogramlar
- Dağılım Grafikleri
Bunları şunları yapmak için kullanın:
- Çarpıklığı ve bunun modelleme üzerindeki etkisini belirleyin
- Ortalamaların yerini belirleyin
- İki örneği karşılaştırın (örneğin, farklı zamanlarda veya farklı konumlardan alınmış)
- Bir modelin uygun şeklini ve doğrusallaştırma fırsatlarının olup olmadığını belirleyin
Python ile Pratik Laboratuvar Aktiviteleri

Olasılığa Giriş

P() gösterimini yorumlayın ve basit ve koşullu olasılıkları hesaplayın
Olasılıkları hesaplamak için belirlenmiş gösterimle Venn diyagramlarını kullanın
Olasılıkları hesaplamak için Ağaç diyagramlarını ve basit kombinatorikleri kullanın
Python ile Pratik Laboratuvar Aktiviteleri

Dağıtımlara Giriş

Olasılığın veya veri dağılımının ne olduğunu tanımak
Bir dağılımın ne zaman Binom, Poisson veya Normal olarak kabul edildiğini belirleyin
Bir dağılımın ne zaman Normal olarak değerlendirilebileceğini ve bunun analitik yöntemler açısından ne anlama geldiğini belirleyin
Python ile Pratik Laboratuvar Aktiviteleri

Örnekleme

Farklı örnekleme tekniklerini eleştirin
Bir örnekleme veya veri toplama yönteminin analitik model sonuçları üzerindeki etkisini açıklamak
Bir örnekten alınan popülasyonun özet istatistiklerini tahmin etmeye yönelik yöntemleri tanımak
Python ile Pratik Laboratuvar Aktiviteleri

Hipotez Testine Giriş

P değerlerinin kurulumundan, varsayımlarından, test edilmesinden ve yorumlanmasından bir Hipotez testi için gerekli adımları tanımak
Çeşitli testleri ve bunların ne zaman kullanılacağını tanımlayın
Uygun bir yazılım aracından elde edilen testlerin çıktısını değerlendirin
Python ile Pratik Laboratuvar Aktiviteleri

Doğrusal Regresyon

Doğrusal regresyonun ne zaman uygun bir yöntem olduğunu anlayın
y = mx + c'nin yorumlanması
Doğrusal modelleri değerlendirin
Python ile Pratik Laboratuvar Aktiviteleri

Kıbrıs Statistics for Data Analysis in Python Eğitimi

Yakın tarihte açılacak eğitimler

Kıbrıs Statistics for Data Analysis in Python Eğitimi

Önkoşullar

Outline

Yakın tarihte açılacak eğitimler