Statistik Mathematik fur Data Science Data Analytics

Lerne Statistik & Wahrscheinlichkeit für Data Science und Business Analytics
Statistik Mathematik fur Data Science Data Analytics
File Size :
5.09 GB
Total length :
12h 43m

Category

Instructor

Nikolai Schuler

Language

Last update

Zuletzt aktualisiert am 12/2022

Ratings

4.5/5

Statistik Mathematik fur Data Science Data Analytics

What you’ll learn

Meistere Statistik für Data Science & Datenanalyse
Lege das Fundament für Data Science & Statistik für Datenauswertung
Meistere Deskriptive Statistik & Wahrscheinlichkeitstheorie
Machine Learning Methoden wie Decision Trees and Decision Forests
Wahrscheinlichkeitsverteilungen wie Normalverteilung, Poisson-Verteilung und andere
Hypothesentesten, p-Werte, Type I & Typ II Fehler
Logistische Regression, Multiple Lineare Regression, Polynomiale Regression, Regression Trees
Korrelation, Determinationskoeffizient, RMSE, MAE und weitere

Statistik Mathematik fur Data Science Data Analytics

Requirements

Absolut keine Vorerfahrung notwendig. Wir lernen alles Schritt für Schritt von den Grundlagen und arbeiten uns dann zu den fortgeschritteneren Themen vor
Motivation und Lust

Description

Möchtest du dich in Richtung Data Science oder Data Analytics entwickeln?Gute Neuigkeiten, du brauchst keinen Abschluss in Mathematik – dieser Kurs gibt dir das praktische Wissen an die Hand, das du für Data Science im Bereich Statistik und Mathematik benötigst.Falls du vorhast Data Scientist oder Data Analyst zu werden, dann ist es notwendig, dass du ein stabiles Fundament im Bereich Statistik & Wahrscheinlichkeitstheorie hast.Klar steckt hinter Data Science mehr als nur Statistik. Dennoch spielen Mathematik und Statistik eine essentielle Rolle, wenn du als Data Scientist arbeiten möchtest.Ich weiß, dass es nicht unbedingt einfach ist ein stabiles Fundament im Bereich Statistik aufzubauen. Aus diesem Grund habe ich diese Statistik-Masterclass erstellt. Warum solltest du diesen Kurs wählen?Das ist der eine Kurs, den du in Statistik absolvierst.Falls du mit Daten arbeitest, ist das genau der richtige Kurs um dich mit dem praktischen Wissen auszustatten.Du lernst direkt von einem Mathematiker, der zugleich auch als Data Scientist arbeitet.Dieser Kurs vermittelt beides: Theorie & Praktisches WissenNach dem du diesen Kurs abgeschlossen hast, hast du alles, was du brauchst um Statistik & Wahrscheinlichkeit in deinem beruflichen Alltag im Bereich Data Science und Data Analytics zu meistern.Was lernst du in diesem Kurs?Dieser Kurs gibt dir die Chance auf systematische Art die wichtigsten Konzepte in Statistik & Wahrscheinlichkeitstheorie zu meistern:Deskriptive Statistik, Hypothesentests, Regressionsanalyse, Analysis of Variance sowie weitere fortgeschrittene Machine Learning Techniken wie Logistische Regression, Polynomiale Regression, Entscheidungsbäume, Regression Trees und mehr.In realen Anwendungsbeispielen lernst du das Statistik-Wissen, das du für eine Laufbahn als Data Scientist oder Data Analyst brauchst schnell & einfach.Wenn sich das für dich gut anhört und du diese Themen gerne lernen willst, dann nutze die Chance deine Fähigkeiten auszubauen und deine Karriere voranzubringen indem du dich in den Kurs einschreibst.

Overview

Section 1: Fangen wir an!

Lecture 1 Herzlich Willkommen!

Lecture 2 Was kannst du in diesem Kurs lernen?

Lecture 3 Wie kannst du das meiste aus dem Kurs rausholen?

Lecture 4 Download: Formelsammlung zur Hilfe

Section 2: Deskriptive Statistik

Lecture 5 Deskriptive Statistik – Intro

Lecture 6 Mittelwert

Lecture 7 Median

Lecture 8 Modus

Lecture 9 Mittelwert oder Median?

Lecture 10 Range & IQA

Lecture 11 Schiefe

Lecture 12 Aufgabe: Schiefe

Lecture 13 Lösung: Schiefe

Lecture 14 Stichprobe vs. Grundgesamtheit

Lecture 15 Varianz & Standardabweichung

Lecture 16 Effekt von Skalierung & Verschiebung

Lecture 17 Statistische Momente

Section 3: Verteilungen

Lecture 18 Was ist eine Verteilung?

Lecture 19 Normalverteilung

Lecture 20 Z-Werte

Lecture 21 Übung: Normalverteilung

Lecture 22 Lösung: Normalverteilung

Lecture 23 Weitere Übung: Normalverteilung

Lecture 24 Lösung zur Übung

Lecture 25 Weitere wichtige Verteilungen

Section 4: Wahrscheinlichkeitstheorie

Lecture 26 Wahrscheinlichkeitstheorie – Intro

Lecture 27 Grundlagen zu Wahrscheinlichkeiten

Lecture 28 Einfache Wahrscheinlichkeiten berechnen

Lecture 29 Übung: Einfache Wahrscheinlichkeit

Lecture 30 Kurzlösung: Einfache Wahrscheinlichkeit

Lecture 31 Lösung: Einfache Wahrscheinlichkeit

Lecture 32 Additionsregel

Lecture 33 Übung: Additionsregel

Lecture 34 Kurzlösung: Additionsregel

Lecture 35 Lösung: Additionsregel

Lecture 36 Multiplikationsregel

Lecture 37 Übung: Multiplikationsregel

Lecture 38 Lösung: Multiplikationsregel

Lecture 39 Satz von Bayes

Lecture 40 Satz von Bayes – Anwendungsbeispiel

Lecture 41 Erwartungswert – diskrete Zufallsvariable

Lecture 42 Erwartungswert – stetige Zufallsvariable

Lecture 43 Übung: Erwartungswert

Lecture 44 Lösung: Erwartungswert

Lecture 45 Gesetz der Großen Zahlen

Lecture 46 Zentraler Grenzwertsatz – Theorie

Lecture 47 Zentraler Grenzwertsatz – Verständnis

Lecture 48 Zentraler Grenzwertsatz – Challenge

Lecture 49 Zentraler Grenzwertsatz – Aufgabe

Lecture 50 Zentraler Grenzwertsatz – Lösung

Lecture 51 Binomialverteilung

Lecture 52 Poisson-Verteilung

Lecture 53 Praxis-Anwendungen

Section 5: Hypothesentests

Lecture 54 Hypothesentests – Intro

Lecture 55 Was ist ein Hypothesentest?

Lecture 56 Hypothese formulieren

Lecture 57 Signifikanzniveau & p-Wert

Lecture 58 Typ I & Typ II Fehler

Lecture 59 Konfidenzintervalle und Stichprobengröße

Lecture 60 Exkursion: Stichprobengröße & statistische Power

Lecture 61 Hypothesentest durchführen

Lecture 62 Übung: Hypothesentest

Lecture 63 Lösung: Hypothesentest

Lecture 64 t-Test & studentische t-Verteilung

Lecture 65 Hypothesentest für Proportionen

Lecture 66 Wichtige p-z-Kombinationen

Section 6: Regressionen

Lecture 67 Lineare Regression

Lecture 68 Korrelationskoeffizient

Lecture 69 Übung: Korrelation

Lecture 70 Lösung: Korrelation

Lecture 71 Übung: Regression

Lecture 72 Lösung: Reggression

Lecture 73 Residuen, MSE & MAE

Lecture 74 Übung: MSE & MAE

Lecture 75 Lösung: MSE & MAE

Lecture 76 Determinationskoeffizient

Lecture 77 Mittlerer Quadratischer Fehler (RMSE)

Lecture 78 Übung: RMSE

Lecture 79 Lösung: RMSE

Section 7: Fortgeschrittene Regressionen & Machine Learning Algorithmen

Lecture 80 Multiple Lineare Regression

Lecture 81 Overfitting

Lecture 82 Polynomiale Regression

Lecture 83 Bayesinformationskriterium

Lecture 84 Logistische Regression

Lecture 85 Entscheidungsbäume

Lecture 86 Regression Trees

Lecture 87 Random Forests

Lecture 88 Umgang mit fehlenden Daten

Section 8: ANOVA (Analysis of Variance)

Lecture 89 ANOVA – Grundlagen & Voraussetzungen

Lecture 90 One-way ANOVA

Lecture 91 F-Verteilung

Lecture 92 Two-way ANOVA – Sum of Squares

Lecture 93 Two-way ANOVA – F-ratio & Schlussfolgerungen

Section 9: Abschluss & Glückwunsch!

Lecture 94 Bonus

Jeder der Statistik & Wahrscheinlichkeitstheorie für Data Science und Datenanalyse meistern möchte,Jeder der eine Karriere in Data Science oder Data Analytics anstrebt,Berufstätige und Studierende, die notwendigen Fähigkeiten im Bereich Statistik für Data Science & Datenanalyse lernen möchten

Course Information:

Udemy | Deutsch | 12h 43m | 5.09 GB
Created by: Nikolai Schuler

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top