TOP tiešsaistes kursi statistikā

Šī programma palīdzēs jums uzzināt, kā izveidot modeļus ar nejaušiem faktoriem daudzumiem ar dažāda veida sadalījumiem. Lai atvieglotu kursa materiālu apguvi, jums būs nepieciešamas pamatzināšanas par lineārajiem modeļiem (vispārīgi un vispārināts), pamatzināšanas par R un spēju izveidot vienkāršus .html dokumentus, izmantojot rmarkdown un knitr.

Apmācības, semināri un sertifikācija. Programmas apjoms ir 32 stundas. Programmas mērķis ir iegūt teorētiskās zināšanas aprēķinu un analīzes funkcionalitātes jomā informāciju, kā arī praktiskās iemaņas lielu datu apjomu analīzē, datu statistiskajā apstrādē, optimizācijas problēmu risināšanā, ģenerēt makro, lai tos izmantotu bieži atkārtotām darbībām un automatizētu darbu, izmantojot izklājlapas MS Excel.

Šis kurss ir piemērots cilvēkiem, kuriem nepieciešams analizēt datus, kuros novērojumi nav neatkarīgi viens no otra (piemēram, ģimenes, atkārtoti pasākumi utt.). Kurss paredzēts tiem, kuri ir apguvuši regresijas analīzes pamatmetodes, izmantojot R valodu, pārzina maksimālās ticamības metodi un vispārinātos lineāros modeļus.

Šis kurss ir paredzēts cilvēkiem, kuri vēlas iemācīties aprakstīt kvantitatīvo lielumu uzvedības modeļus atkarībā no diskrētiem faktoriem. Kurss paredzēts tiem, kuri ir apguvuši regresijas analīzes pamatmetodes, izmantojot R valodu.

Datu zinātne ietver plašu pieeju un metožu klāstu jebkura izmēra datu kopu vākšanai, apstrādei, analīzei un vizualizēšanai. Atsevišķa praktiski svarīga šīs zinātnes joma ir darbs ar lielajiem datiem, izmantojot jaunus principus matemātiskā un skaitļošanas modelēšana, kad klasiskās metodes pārstāj darboties to neiespējamības dēļ mērogošana. Šis kurss ir paredzēts, lai palīdzētu studentam apgūt mācību priekšmeta pamatus, formulējot un risinot tipiskas problēmas, ar kurām var saskarties datu zinātnes pētnieks strādāt. Lai iemācītu studentam risināt šādas problēmas, kursa autori nodrošina studentam nepieciešamo teorētisko minimumu un parāda, kā izmantot rīku bāzi praksē.

Kursa mērķis ir apmācīt studentus modernās vienfaktoru laikrindu ekonometriskās modelēšanas metodēs. Kursa mērķi ir: veidot studentu izpratni par empīriskā pētījuma metodoloģiju un ekonometrisko modeļu iespējas un to pielietojuma robežas, kā arī attīstot prasmes darbā ar reāliem ekonomiskie dati.

Jūs iemācīsities risināt biznesa problēmas, izmantojot datus. Vispirms iegūstiet nepieciešamo apmācību, uzlabojiet savu matemātiku un statistiku, pēc tam apgūstiet SQL, Python, Power BI, un pēc gada jūs kļūsiet par datu analītiķi.

Kurss iepazīstina studentus ar galvenajām matemātiskās statistikas sadaļām: aprakstošo statistiku, intervālu novērtējums, statistisko hipotēžu pārbaude, regresijas analīze un korelācija analīze.

Kursa "Varbūtību teorija – nejaušības zinātne" otrajā daļā aplūkotas nepārtrauktas varbūtības telpas, kuras ievērojami paplašina teorijas analītiskās iespējas un ļauj izveidot interesantus modeļus, izmantojot progresīvākus matemātiskais aparāts.

Programma ir paredzēta tehnoloģijām darbam ar lielu datu apjomu. Šobrīd IKT ir mainījušas visu mūsu dzīvi – gan personīgo, gan industriālo sfēru. Pirmkārt, tas ir saistīts ar to, ka visās cilvēka detaļu jomās ir uzkrājies milzīgs datu apjoms, kas jāspēj atrast, izvilkt, strukturēt, saglabāt kompaktā formā, ātri atrast nepieciešamos elementus, apkopot un analizēt. Datu analīze var palīdzēt atrisināt daudzas profesionālas problēmas, piemēram: kāds ir sagaidāmais pieprasījums pēc konkrēta produkta? Kad šis pieprasījums bija vislielākais? Kādas ir cenu izmaiņu tendences tirgū? utt. Datu zinātne nodarbojas ar plašu tēmu loku.

Piedāvātā Makroekonomikas kursa oriģinalitāte slēpjas faktā, ka tajā ir apvienoti ievada un vidējā līmeņa elementi. Tā ir paredzēta maģistrantiem, kuriem nav ekonomiskās pamatizglītības, kuriem būs jāapgūst padziļināta makroekonomika. Maģistranti, kuri jau ir apguvuši makroekonomiku pamatstudijā ar šī kursa palīdzību, varēs atsvaidzināt savas pamatkompetences šajā disciplīnā.

Lineārās algebras pamata tiešsaistes kurss, kas satur visas galvenās statistikas un daudzfaktoru analīzes lietojumprogrammas un algoritmus, lai gan ne vienmēr satur detalizētus pierādījumus.