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 je Teilnehmer (exkl. USt)

Erfahrungsberichte (5)

Kommende Kurse

Verwandte Kategorien