Udacity Learning Process

==2017.12.5=====================

Course 2

  1. Stick on schedule.
  2. Be relentless in searching for an answer on your own.
  3. Be an active member of your community.

Course 3

Class 11

  1. Constructs: If there is a way to measure one thing, it's not a construct. Such as gallons of gasoline, annual salary in USD. But Intelligence, age, effort are constructs.( Construct是指抽象概念,如果某个事物有多条依据来度量,那么就是一个construct。这是个人理解。)

==2017.12.19====================

Course 3

Class 21 可视化关系

  1. X轴:independent variable / predictor variable;Y轴:dependent variable / outcome

Class 22:

  1. Correlations doesn't prove causastion. 相关不代表因果
    • Words of wisdom. 至理名言
    • Plausible explanation 合理的解释
    • That's my own hunch. 这是我个人看法

Class 26

  1. 显示关系:用观察性研究(observational studies)或者调查。显示因果关系:做对照实验(controlled experiment)

Class 27

  1. 调查问卷的优势
    • 它是了解总体的最简单方式之一
    • 相对来说成本较低
    • 可以远程进行
    • 任何人都可以访问并分析调查结果

Class 28

  1. 调查问卷的劣势
    • 不真实的回答
    • 有偏见的回答
    • 参与者没理解问题的意思
    • 参与者拒绝回答

==2018.01.02=========================

~ 23:50
习题集1a

  1. 13研究
  2. 36学生满意度

第2课:数据可视化

  1. 频率
  2. 相对频率

==2018.1.3==================

21:21~23:41
第2课:数据可视化

  1. 7比例(proportion):用比例表示相对频率,0.20
  2. 8转换为百分比(percentage):用百分比表示相对频率, 20%
  3. 12组距(bin)
  4. 14直方图(Histogram)
  5. 15组距大小(bin size),区间大小(interval size)
  6. 23柱状图(bar graph): x轴是分类的,定性的(categorical/qualitative)直方图(histogram):x轴是可以量化(numerical/quantitative)

==2018.1.4===================

21:40 ~ 23:57
第2课:数据可视化

  1. 26理解直方图:正态分布(normally distributed), 峰值/众数(mode),对称(symmetrical)
  2. 27偏斜分布:正偏分布(positively skewed distribution)

习题集2a:数据可视化

  1. 22通勤一小时:59分钟为什么是43人?

习题集2b:数据可视化
1.16栏高度++

Google SpreadSheet

  1. 强制复制(brute force copy)
  2. command C, command down, command shift up???

====2017.1.5===================

22:30 ~ 23:57
习题集1b

  1. 4样本特点:用来描述样本的数字叫做?B (A参数,B统计量,C变量,D常数)
  2. 8SAT分数:样本平均值和相应总体平均值之间的自然差异?B(统计误差,抽样误差,参数误差,推理误差)
  3. 11.哪些不是抽象概念?The distance you travel each day. 为什么距离是不可测量的??
  4. 15关于变量关系的正确表述:假设

====2017.1.9===================

22:20~23:06
习题集1b

  1. 25咖啡因
  2. 27英语教学:定量变量(quantitative variable),预测变量(predictor variable)
  3. 34地雷
  4. 40随机分配
    1. 安慰剂控制条件
  5. 42为何使用安慰剂
  6. 48抑郁症

====2017.1.11===================

20:35
第3课:集中趋势

  1. 3选择那个数字:众数(mode,single number or range that occured with the highest frequency),中位数(median),
  2. 5分布的众数:众数(single number or range that occured with the highest frequency)
  3. 7众数:均匀分布(uniform distribution)。y = 3 没有众数
  4. 8不止一个众数:多峰分布(multi-modal distribution)
  5. 9分类数据的众数:众数是X轴的分类名称。众数在X轴上。
  6. 10众数的更多信息
  7. 11找出均值:平均数(mean)
  8. 14有用的符号:
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 199,440评论 5 467
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 83,814评论 2 376
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 146,427评论 0 330
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 53,710评论 1 270
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 62,625评论 5 359
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,014评论 1 275
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,511评论 3 390
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,162评论 0 254
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,311评论 1 294
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,262评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,278评论 1 328
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,989评论 3 316
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,583评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,664评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,904评论 1 255
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,274评论 2 345
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 41,856评论 2 339