Schulungsübersicht

Statistics & Wahrscheinlichkeitstheoretische Programming in Julia

Deskriptive Statistik

  • Statistics
    • Zusammenfassende Statistics mit dem Statistikpaket
  • Verteilungen & StatsBase Paket
    • Eindimensional und multidimensional
    • Momente
    • Wahrscheinlichkeitsfunktionen
    • Stichproben und RNG
    • Histogramme
    • Maximum-Likelihood-Schätzung
    • Produkt, Truncation und zensierte Verteilung
    • Robuste Statistik
    • Korrelation & Kovarianz

DataFrames

(DataFrames Paket)

  • Daten I/O
  • Erstellung von Datensätzen
  • Datentypen, einschließlich Kategorien und fehlende Daten
  • Sortieren & Verbinden
  • Formänderung & Pivoting von Daten

Hypothesentests

(HypothesisTests Paket)

  • Grundlegende Darstellung der Hypothesentests
  • Chi-Quadrat-Test
  • z-Test und t-Test
  • F-Test
  • Fisher'scher exakter Test
  • ANOVA
  • Normalitätstests
  • Kolmogorov-Smirnov-Test
  • Hotellings T-Quadrat-Test

Regression und Überlebensanalyse

(GLM & Survival Pakete)

  • Grundlegende Darstellung der linearen Regression und des exponentiellen Familiens
  • Lineare Regression
  • Verallgemeinerte lineare Modelle
    • Logistische Regression
    • Poisson-Regression
    • Gamma-Regression
    • Andere GLM-Modelle
  • Überlebensanalyse
    • Ereignisse
    • Kaplan-Meier
    • Nelson-Aalen
    • Cox Proportional Hazard

Abstände

(Distances Paket)

  • Was ist ein Abstand?
  • Euklidisch
  • Cityblock
  • Kosinus
  • Korrelation
  • Mahalanobis
  • Hamming
  • MAD
  • RMS
  • Mittlere quadratische Abweichung

Multivariate Statistik

(MultivariateStats, Lasso & Loess Pakete)

  • Ridge-Regression
  • Lasso-Regression
  • Loess
  • Lineare Diskriminanzanalyse
  • Hauptkomponentenanalyse (PCA)
    • Lineare PCA
    • Kernel PCA
    • Wahrscheinlichkeitstheoretische PCA
    • Unabhängige CA
  • Hauptkomponentenregression (PCR)
  • Faktorenanalyse
  • Kanonische Korrelationsanalyse
  • Multidimensionale Skalierung

Clusteranalyse

(Clustering Paket)

  • K-Means
  • K-Medoids
  • DBSCAN
  • Hierarchische Clusteranalyse
  • Markov-Klusteringalgorithmus
  • Fuzzy C-means-Clusteranalyse

Bayes'sche  Statistics und Wahrscheinlichkeitstheoretische Programming

(Turing Paket)

  • Markov-Ketten Monte Carlo
  • Hamiltonian Monte Carlo
  • Gaußsche Mischmodelle
  • Bayes'sche lineare Regression
  • Bayes'sche Exponentialfamilienregression
  • Bayes'sche Neural Networks
  • Hidden Markov Modelle
  • Teilchenfilterung
  • Variationsinferenz
     

Voraussetzungen

Dieser Kurs ist für Personen gedacht, die bereits einen Hintergrund in Data Science und Statistik haben.

 21 Stunden

Teilnehmerzahl


Preis pro Teilnehmer

Erfahrungsberichte (5)

Kommende Kurse

Verwandte Kategorien