Ce cours fait partie de la Spécialisation Data Science Foundations: Statistical Inference

4.3

étoiles

39 évaluations

Jem Corcoran

3 353 déjà inscrits

Offert par

Dans le cadre du diplôme Master of Science in Data Science
En savoir plus

Spécialisation Data Science Foundations: Statistical InferenceUniversité du Colorado à Boulder

À propos de ce cours

30 040 consultations récentes

This course introduces statistical inference, sampling distributions,  and confidence intervals. Students will learn how to define and construct  good estimators, method of moments estimation, maximum likelihood estimation, and methods of constructing confidence intervals that will extend to more general settings.  
This course can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder.

Logo adapted from photo by Christopher Burns on Unsplash.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 2 sur 3 dans le

Spécialisation Data Science Foundations: Statistical Inference

Niveau intermédiaire

Sequence in calculus up through Calculus II (preferably multivariate calculus) and some programming experience in R.

Approx. 28 heures pour terminer

Anglais

Ce que vous allez apprendre

Identify characteristics of “good” estimators and be able to compare competing estimators.
Construct sound estimators using the techniques of maximum likelihood and method of moments estimation.
Construct and interpret confidence intervals for one and two population means, one and two population proportions, and a population variance.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Cours 2 sur 3 dans le

Spécialisation Data Science Foundations: Statistical Inference

Niveau intermédiaire

Sequence in calculus up through Calculus II (preferably multivariate calculus) and some programming experience in R.

Approx. 28 heures pour terminer

Anglais

Enseignant

Évaluation de l'enseignant

4,5/5 (14 évaluations)

Jem Corcoran

Offert par

Université du Colorado à Boulder

Commencez à travailler pour obtenir votre master

Ce cours fait partie du diplôme intégralement en ligne Master of Science in Data Science de Université du Colorado à Boulder. Si vous êtes admis(e) au programme complet, vos cours sont pris en compte dans votre apprentissage diplômant.

Programme de cours : ce que vous apprendrez dans ce cours

Semaine

Semaine 1

1 heure pour terminer

Start Here!

1 heure pour terminer

1 vidéo (Total 7 min), 3 lectures

7 heures pour terminer

Point Estimation

In this module you will learn how to estimate parameters from a large population based only on information from a small sample. You will learn about desirable properties that can be used to help you to differentiate between good and bad estimators. We will review the concepts of expectation, variance, and covariance, and you will be introduced to a formal, yet intuitive, method of estimation known as the "method of moments".

7 heures pour terminer

10 vidéos (Total 153 min), 11 lectures, 5 quiz

10 vidéos

Discrete Random Variables and Probability Mass Functions11 min

Continuous Random Variables and Probability Density Functions7 min

Joint Distributions and Independence10 min

The Gamma Distribution17 min

Transformations of Distributions20 min

Expectation and Properties of Expectation16 min

Variance and Covariance17 min

Estimators and Sampling Distributions15 min

Distributions of Sums22 min

Method of Moments Estimators13 min

11 lectures

Important Discrete Distributions10 min

Important Continuous Distributions20 min

Table Summarizing Important Distributions 10 min

Joint Distributions10 min

Video Slides: The Gamma Distribution15 min

Video Slides for Transformations of Distributions

Video Slides for Expectation and Properties of Expectation

Video Slides for Variance and Covariance

Video Slides for Estimators and Sampling Distributions

Video Slides for Distributions of Sums

Video Slides for Method of Moments Estimators

4 exercices pour s'entraîner

Recognizing Discrete Distributions15 min

Calculations with Continuous Distributions25 min

Probability, Expectation, and Variance30 min

Method of Moments Estimation30 min

Semaine

Semaine 2

4 heures pour terminer

Maximum Likelihood Estimation

4 heures pour terminer

5 vidéos (Total 67 min), 5 lectures, 3 quiz

5 vidéos

A Motivating Example8 min

Notation, Terminology, and First Complete Examples13 min

MLEs for Multiple and Support Parameters17 min

The Invariance Property20 min

Mean Squared Error, Bias, and Relative Efficiency7 min

5 lectures

Video Slides for A Motivating Example

Video Slides for Notation, Terminology, and First Complete Examples

Video Slides for MLEs for Multiple and Support Parameters

Video Slides for The Invariance Property

Video Slides for Mean Squared Error, Bias and Relative Efficiency

2 exercices pour s'entraîner

Finding MLEs30 min

Invariance, Mean-Squared Error, and Efficiency30 min

Semaine

Semaine 3

6 heures pour terminer

Large Sample Properties of Maximum Likelihood Estimators

6 heures pour terminer

5 vidéos (Total 100 min), 5 lectures, 3 quiz

5 vidéos

Fisher Information and the Cramer-Rao Lower Bound19 min

Computational Simplifications for the CRLB14 min

The Weak Law of Large Numbers22 min

The Central Limit Theorem22 min

Large Sample Properties of MLEs21 min

5 lectures

Video Slides for Fisher Information and the Cramér-Rao Lower Bound10 min

Video Slides for Computational Simplifications for the CRLB10 min

Video Slides for The Weak Law of Large Numbers10 min

Video Slides for The Central Limit Theorem10 min

Video Slides for Large Sample Properties of MLEs10 min

2 exercices pour s'entraîner

The Cramer-Rao Lower Bound30 min

Further Computations with MLEs30 min

Semaine

Semaine 4

6 heures pour terminer

Confidence Intervals Involving the Normal Distribution

6 heures pour terminer

5 vidéos (Total 99 min), 5 lectures, 3 quiz

5 vidéos

Let's Build a Confidence Interval!19 min

The Chi-Squared and t- Distributions27 min

t-Distribution Confidence Intervals20 min

Confidence Intervals for the Difference Between Population Means11 min

Small Sample Confidence Intervals for the Difference Between Population Means20 min

5 lectures

Video Slides for Let's Build a Confidence Interval!10 min

Video Slides for the Chi-Squared and t-Distributions10 min

Video Slides for t-Distribution Confidence Intervals10 min

Video Slides for Confidence Intervals for the Difference Between Population Means10 min

Video Slides for Small Sample Confidence Intervals for the Difference Between Population Means10 min

2 exercices pour s'entraîner

Confidence Intervals Involving the Normal Distribution30 min

Confidence Intervals for Differences Between Means30 min

À propos du Spécialisation Data Science Foundations: Statistical Inference

This program is designed to provide the learner with a solid foundation in probability theory to prepare for the broader study of statistics. It will also introduce the learner to the fundamentals of statistics and statistical theory and will equip the learner with the skills required to perform fundamental statistical analysis of a data set in the R programming language.

This specialization can be taken for academic credit as part of CU Boulder’s Master of Science in Data Science (MS-DS) degree offered on the Coursera platform. The MS-DS is an interdisciplinary degree that brings together faculty from CU Boulder’s departments of Applied Mathematics, Computer Science, Information Science, and others. With performance-based admissions and no application process, the MS-DS is ideal for individuals with a broad range of undergraduate education and/or professional experience in computer science, information science, mathematics, and statistics. Learn more about the MS-DS program at https://www.coursera.org/degrees/master-of-science-data-science-boulder. Logo adapted from photo by Christopher Burns on Unsplash.

Data Science Foundations: Statistical Inference

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.

Statistical Inference for Estimation in Data Science

À propos de ce cours

Ce que vous allez apprendre