About this course: В этом курсе мы поговорим о трендах и классификаторах. Анализ трендов помогает ответить на вопросы вроде: растут ли продажи, увеличивается ли количество пользователей сервиса? Если есть рост, то случайность это или закономерность? Есть ли в данных сезонные колебания? Как выделить тренд и как объяснить его? Также мы поговорим о факторном анализе, который позволяет найти скрытую переменную (или переменные), направляющие проявление множества видимых признаков. Как найти такие скрытые переменные и понять, что за ними стоит? В заключительной части курса поговорим о классификаторах, применение которых решает задачи отнесения объектов к тому или иному классу с определенной вероятностью, а также позволяет прогнозировать попадание нового объекта в определенный класс. Как предсказать исход события, зная основные характеристики действующего лица? Закончит ли слушатель курс, отдаст ли заемщик кредит? Как оценить точность прогноза и минимизировать ошибки? Мы разберемся с устройством обозначенных методов анализа данных и попрактикуемся в их применении.
Who is this class for: Этот курс предназначен для тех, кто интересуется продвинутыми методами статистического анализа данных, позволяющих не только анализировать, но и прогнозировать. Для прохождения этого курса вам понадобится владение основами теории вероятностей, математической статистики, а также базовыми инструментами статистического анализа: исследование взаимосвязей, проверка статистических гипотез, и так далее.
Created by: Novosibirsk State University
Taught by: Ольга Ечевская, доцент, кандидат социологических наук
Кафедра общей социологии ЭФ НГУ
Taught by: Наталья Галанова, Специалист по анализу данных
Компания 2GIS
Taught by: Виктор Дёмин, Специалист по анализу данных, кандидат технических наук
Компания 2GIS
| Basic Info | Course 4 of 4 in the Анализ данных Specialization |
| Level | Intermediate |
| Commitment | 5 недель обучения, 4-6 часов в неделю |
| Language | Russian |
| How To Pass | Pass all graded assignments to complete the course. |
Syllabus
WEEK 1
Анализ временных рядов
В этом модуле мы начнем разговор о временных рядах.
Сначала разберемся с понятием временного ряда, затем поговорим об анализе временных рядов. Рассмотрим такие компоненты временного ряда, как тренд, сезонность и остатки.
После этого рассмотрим методы разложения временного ряда на составляющие и поймём, как и зачем выделять описанные компоненты во временных рядах. В заключении поговорим о том, как выявлять выбросы в данных, а также посмотрим на практике, как разложить временной ряд на трендовую составляющую, сезонную компоненту и остатки, используя R.
7 videos, 8 readings, 4 practice quizzes
- Video: Вводная лекция: обзор специализации
- Lecture: О чем этот курс и как он устроен
- Lecture: Материалы по статистическим пакетам
- Lecture: Данные, на которые мы опираемся и ссылаемся
- Video: 1.1. Понятие временных рядов
- Lecture: 1.1. Понятие временных рядов. Презентация
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 1.2. Тренд
- Lecture: 1.2. Тренд (презентация)
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 1.3. Сезонность
- Lecture: 1.3. Сезонность. Презентация
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 1.4. STL-разложение
- Lecture: 1.4. STL-разложение. Презентация
- Video: 1.5. Поиск выбросов
- Lecture: 1.5. Поиск выбросов. Презентация
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 1.6. Тренд, сезонность, STL. Практика
Graded: Анализ временных рядов
WEEK 2
Прогноз временных рядов
В этом модуле мы продолжим разговор о временных рядах и научимся не только анализировать, но и прогнозировать их. Сначала рассмотрим авторегрессионную модель (AR) и сезонную авторегрессионную модель (SAR), которые подходят для решения задач прогнозирования, а также модели скользящего среднего (MA-модели), позволяющие сглаживать выбросы и описывать данные. Дальше поговорим о комбинации этих моделей (ARMA и ARIMA).
Во второй части модуля мы поговорим об адаптивных моделях, обсудим их основные виды, а также поговорим о следящем контроле как инструменте их мониторинга. В заключении модуля попрактикуемся: построим прогноз временного ряда в R.
7 videos, 6 readings, 6 practice quizzes
- Video: 2.1. AR и MA
- Lecture: 2.1. AR и MA: презентация.
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 2.2. ARMA и ARIMA
- Lecture: 2.2. ARMA и ARIMA: презентация
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 2.3. Адаптивные модели. Экспоненциальное сглаживание
- Lecture: 2.3. Адаптивные модели. Экспоненциальное сглаживание. Презентация
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 2.4. Адаптивные модели. Модели с трендом и сезонностью
- Lecture: 2.4. Адаптивные модели. Модели с трендом и сезонностью. Презентация
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 2.5. Виды адаптивных моделей
- Lecture: 2.5. Виды адаптивных моделей. Презентация
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 2.6. Следящий контроль. Модель Тригга — Лича
- Lecture: Конспект: 2.6. Следящий контроль. Модель Тригга — Лича
- Quiz pour s'exercer: Вопросы для самоконтроля
- Video: 2.7. Построение моделей временных рядов в R. Практика
Graded: Прогноз временных рядов
WEEK 3
Факторный анализ
В этом модуле поговорим о факторном анализе. Сначала поймем общий принцип: что это за модель, и для решения каких задач она применяется. Дальше разберем методы факторного анализа и научимся строить факторы одним из самых распространенных способов: методом главных компонент. В заключительных лекциях модуля мы поговорим о том, как оценить качество факторной модели, как можно использовать построенные переменные для дальнейшего анализа, а также пошагово разберем построение факторной модели в SPSS.
6 videos, 7 readings, 2 practice quizzes
- Video: 3.1. Введение в факторный анализ
- Lecture: 3.1. Введение в факторный анализ. Презентация
- Lecture: Факторный анализ: история метода
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 3.2. Построение факторной модели
- Lecture: 3.2. Построение факторной модели. Презентация
- Video: 3.3. Способы оценки качества факторной модели
- Lecture: Конспект: 3.3. Способы оценки качества факторной модели
- Quiz pour s'exercer: Вопросы для самоконтроля
- Video: 3.4. Пример построения факторной модели
- Lecture: 3.4. Пример построения факторной модели. Презентация
- Video: 3.5. Факторы готовы: что дальше?
- Lecture: 3.5. Факторы готовы: что дальше? [презентация]
- Lecture: "Кластеры на факторах": о построении кластеризации на основе переменных-факторов
- Video: 3.6. Факторный анализ в SPSS. Практика
Graded: Факторный анализ
WEEK 4
Классификация
В завершающем модуле курса мы поговорим о методах классификации. Для начала поставим задачу классификации: для чего применяются классификаторы, какие задачи из реальной жизни они помогают решать. Затем разберем некоторые методы классификации: линейный и Байесовский классификаторы, дерево решений, модель бинарной логистической регрессии и способы оценки её качества.
Вы научитесь прогнозировать класс, в который попадёт объект с заданной вероятностью (к примеру, отдаст ли заёмщик кредит, или закончит ли студент курс), а также познакомитесь с тем, как применять методы классификации в R и SPSS на реальных данных.
8 videos, 6 practice quizzes
- Video: 4.1. Введение в классификацию
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 4.2. Линейный классификатор
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 4.3. Байесовский классификатор
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 4.4. Дерево решений
- Quiz pour s'exercer: Вопрос для самопроверки
- Video: 4.5. Бинарная логистическая регрессия: основная идея
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 4.6. Логистическая регрессия: применение и оценка качества
- Quiz pour s'exercer: Вопросы для самопроверки
- Video: 4.7. Методы классификации в R. Практика
- Video: 4.8. Построение модели логистической регрессии в SPSS. Практика
Graded: Тест: Классификация
WEEK 5
Итоговое задание
Graded: Итоговый тест
Graded: Прогноз гео(не)зависимости рубрик
FAQs
How It Works
Travail en cours
Chaque cours fonctionne comme un manuel interactif en proposant des vidéos préenregistrées, des quiz et des projets.
Aide de la part de vos pairs
Connectez-vous à des milliers d'autres étudiants et débattez sur des idées, discutez le contenu du cours et obtenez de l'aide pour en maîtriser les concepts.
Certificats
Obtenez une reconnaissance officielle pour votre travail et partagez votre réussite avec vos amis, vos collègues et vos employeurs.
Creators
Novosibirsk State University
Novosibirsk State University (NSU) is a research university located in Novosibirsk Akademgorodok, the world-famous scientific center in Siberia. 80% of NSU teachers are active researchers affiliated with the Russian Academy of Sciences; therefore education is closely linked to world-class science: our students get first-hand knowledge about scientific discoveries before they are published.
Nearly 6000 students (including international students from 37 countries) are enrolled at undergraduate and graduate programs offered by 13 departments. The leading areas of NSU expertise are natural sciences, life sciences, physics, math, IT, and more.
Pricing
| Purchase Course | |
|---|---|
| Access to course materials | Available |
| Access to graded materials | Available |
| Receive a final grade | Available |
| Earn a shareable Course Certificate | Available |
Ratings and Reviews
Coursera provides universal access to the world’s best education,
partnering with top universities and organizations to offer courses online.
© 2018 Coursera Inc. All rights reserved.
