Cúrsa ardleibhéil a dhíríonn ar theicnící nua-aimseartha staitistiúla agus foghlama meaisín le haghaidh taighde eacnamaíoch. Cuirfidh mic léinn uirlisí cosúil le ARIMA, aischéimniú lóistíoch, PCA, foraoisí randamacha, agus SHAP i bhfeidhm ar shonraí fíorshaoil, ag forbairt na scileanna chun tacair sonraí atá ag brath ar am agus ardtoiseach a anailísiú ag baint úsáide as Python.
Tógálann an cúrsa seo ar eolas bunúsach ar staitisticí, lena n-áirítear coincheapa tábhachtacha amhail dóchúlacht, dáiltí, sampláil, tástáil hipitéisí, anailís athraitheas, agus anailís aischéimnithe. Tá sé deartha do mhic léinn a bhfuil taithí acu cheana féin ar na teicnící bunúsacha seo a chur i bhfeidhm ar fhadhbanna eacnamaíocha. Sa chúrsa dara leibhéal seo, téann foghlaimeoirí ar aghaidh chuig modhanna anailíseacha comhaimseartha a úsáidtear i dtaighde eacnamaíoch agus in eolaíocht sonraí nua-aimseartha, ag díriú ar shonraí níos casta, ardtoisí agus atá ag brath ar am.
Tá an cúrsa deartha chun taithí phraiticiúil ar Python a thabhairt do mhic léinn agus a dtuiscint ar réasúnaíocht staitistiúil agus ar fhoghlaim meaisín a dhoimhniú ag an am céanna. Oibreoidh mic léinn le tacair sonraí fíor chun samhlacha sraitheanna ama a thógáil (m.sh., ARIMA), déanfaidh siad aischéimniú lóistíoch agus samhaltú líneach ginearálaithe le rialtacht (lasso, ridge), cuirfidh siad teicnící laghdaithe toise i bhfeidhm cosúil le PCA agus anailís fachtóirí, agus déanfaidh siad turgnaimh le samhlacha braislithe agus foghlama maoirseachta amhail foraoisí randamacha agus borradh grádáin.
In áit teoiric a scaradh ón gcleachtas, leanann na seisiúin uile formáid chomhtháite ina gcuireann mic léinn coincheapa i bhfeidhm láithreach trí chódú agus anailís ghrúpa. Is é an aidhm ná mic léinn a chumhachtú chun anailísí eacnamaíocha neamhspleácha, láidre agus intuigthe a dhéanamh a chomhlíonann caighdeáin taighde acadúla agus feidhmeacha araon.
Ag deireadh an chúrsa, beidh an foghlaimeoir in ann:
• Samhlacha sraitheanna ama a chur i bhfeidhm agus a léirmhíniú chun sonraí eacnamaíocha a réamhaisnéisiú
• Múnlaí aicmithe a thógáil agus a mheas trí úsáid a bhaint as aischéimniú lóistíoch agus rialtacht
• Déan laghdú toisíochta ag baint úsáide as PCA agus anailís fachtóra
• Úsáid teicnící braislithe agus foghlama neamh-mhaoirseachta chun patrúin a aimsiú
• Algartaim foghlama meaisín maoirseachta a chur i bhfeidhm agus a chur i gcomparáid (m.sh., foraois randamach, SVM)
• Léirmhíniú a dhéanamh ar thorthaí an mhúnla agus na torthaí a chur in iúl go héifeachtach
Ba chóir go mbeadh cúrsa staitisticí tosaigh críochnaithe ag mic léinn, nó go mbeadh eolas réamhchoibhéiseach coibhéiseach acu. I measc na n-inniúlachtaí riachtanacha tá tuiscint ar phrionsabail bhunúsacha staitistiúla (m.sh., meán, athraitheas), teoiric dóchúlachta, dáiltí, sampláil agus meastachán, tástáil hipitéisí, anailís athraitheas (ANOVA), agus aischéimniú líneach. Ba chóir go mbeadh mic léinn compordach freisin ag léirmhíniú torthaí staitistiúla agus ag réasúnú le sonraí eacnamaíocha fíorshaoil. Ní ghlactar le haon taithí ríomhchlárúcháin roimhe seo, ach tá fonn Python a fhoghlaim agus a úsáid riachtanach.
Éigeantach
• James et al. (2023). Réamhrá ar Fhoghlaim Staitistiúil le Feidhmchláir i Python
• Kenett et al. (2022). Staitisticí Nua-Aimseartha: Cur Chuige Ríomhaire-bhunaithe le Python
• McClave et al. (2017). Staitisticí don Ghnó agus don Eacnamaíocht
Molta
• Müller & Guido (2016). Réamhrá ar Fhoghlaim Meaisín le Python
• Hyndman & Athanasopoulos (2021). Réamhaisnéis: Prionsabail agus Cleachtas
• Xiao (2022). Cláreagrú Intleachta Saorga le Python
• Léachtaí
• Tascanna grúpa
• Tionscadal páipéir téarma
• Cleachtaí bunaithe ar Python
• Comhairliúcháin sheachtainiúla
Tras-scríbhinn taifead