Programa do Curso

Estatística & Probabilística Programming em Julia

Estatísticas de base

    Statistics Resumo Statistics com o pacote estatístico
Distribuições & pacote StatsBase Univariada & multivariada
  • Momentos
  • Funções de probabilidade
  • Amostragem e RNG
  • Histogramas
  • Estimativa de máxima verosimilhança
  • Produto, trucação e distribuição censurada
  • Estatísticas robustas
  • Correlação & covariância
  • Quadros de dados
  • (pacote DataFrames)

    E/S de dados Criação de quadros de dados Tipos de dados, incluindo dados categóricos e em falta Ordenação e junção Reformulação e pivotagem de dados

      Teste de hipóteses

    (pacote HypothesisTests)

    Resumo dos princípios dos testes de hipóteses Teste do qui-quadrado Teste z e teste t Teste F Teste exato de Fisher ANOVA Testes de normalidade Teste de Kolmogorov-Smirnov Teste T de Hotelling

      Regressão & análise de sobrevivência

    (GLM & Pacotes de sobrevivência)

    Resumo dos princípios da regressão linear e da família exponencial Regressão linear Modelos lineares generalizados Regressão logística Regressão de Poisson Regressão gama Outros modelos GLM

      Análise de sobrevivência Eventos
    Kaplan-Meier
  • Nelson-Aalen
  • Risco Proporcional de Cox
  • Distâncias
  • (Pacote de distâncias)
  • O que é uma distância? Euclidiana Bloco de cidades Cosseno Correlação Mahalanobis Hamming MAD RMS Desvio médio quadrático

    Estatística multivariada

      (pacotes MultivariateStats, Lasso, & Loess)

    Regressão de cumeeira Regressão Lasso Loess Análise discriminante linear Análise de componentes principais (PCA) PCA linear Kernel PCA PCA probabilística ACP independente

    Regressão de componentes principais (PCR)

      Análise Fatorial
    Análise de correlação canónica
  • Escalonamento multidimensional
  • Agrupamento
  • (Pacote de agrupamento)
  • K-means K-medoids DBSCAN Agrupamento hierárquico Algoritmo de agrupamento Markov Fuzzy C-means clustering
  • Programação Bayesiana  Statistics & Probabilística

    (pacote Turing)

      Modelo Carlo de Cadeia de Markov Hamiltoniano Montel Carlo Modelos de mistura gaussiana Regressão Linear Bayesiana Regressão Bayesiana de Família Exponencial Bayesiano Neural Networks Modelos de Markov ocultos Filtragem de partículas Inferência Variacional  

    Requisitos

    Este curso destina-se a pessoas que já tenham conhecimentos de ciência de dados e estatística.

     

     21 horas

    Declaração de Clientes (8)

    Cursos Relacionados

    Categorias Relacionadas