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
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