In diesem Kapitel startest du mit einer Wiederholung zu bedingten Wahrscheinlichkeiten, dem Satz von Bayes und dem zentralen Grenzwertsatz. Dabei lernst du, wie du Aufgaben mit häufig verwendeten Wahrscheinlichkeitsverteilungen angehst.

Bedingte Wahrscheinlichkeiten

Aufgaben vorbereiten

Bayes’ Theorem angewendet

Zentraler Grenzwertsatz

Stichproben eines gewürfelten Würfels

Zentrales Grenzwerttheorem simulieren

Wahrscheinlichkeitsverteilungen

Bernoulli-Verteilung

Binomialverteilung

Normalverteilung

Wahrscheinlichkeit und Stichprobenverteilungen

In diesem Kapitel bereitest du dich auf statistische Konzepte rund um die explorative Datenanalyse vor. Dazu gehören deskriptive Statistik, der Umgang mit kategorialen Variablen und Beziehungen zwischen Variablen. Die Übungen machen dich fit für analytische Assessments oder codingbasierte Statistikfragen.

Deskriptive Statistik

Mittelwert oder Median

Standardabweichung per Hand

Kategorische Daten

Kodierungstechniken

Laptop-Preise erkunden

Zwei oder mehr Variablen

Arten von Zusammenhängen

Pearson-Korrelation

Empfindlichkeit gegenüber Ausreißern

Explorative Datenanalyse

Tauche tiefer in wichtige Konzepte zu Experimenten und Tests ein: Wir wiederholen Konfidenzintervalle, Hypothesentests, multiple Tests sowie die Rolle von Teststärke (Power) und Stichprobengröße. Außerdem besprechen wir Fehlertypen und was sie in der Praxis bedeuten.

Konfidenzintervalle

Konfidenzintervall per Hand

Konfidenzintervalle anwenden

Hypothesentests

Einseitiger z-Test

Zweiseitiger t-Test

Power und Stichprobengröße

Auswirkung auf den Typ-II-Fehler

Stichprobengröße berechnen

Die Beziehung visualisieren

Multiple Testing

Fehlerraten berechnen

Bonferroni-Korrektur

Statistische Experimente und Signifikanztests

Zum Abschluss behandeln wir Konzepte rund um Regressions- und Klassifikationsmodelle. Das Kapitel startet mit einer Wiederholung grundlegender Machine-Learning-Algorithmen und führt schnell zu Modellevaluierung, dem Umgang mit Sonderfällen und dem Bias-Variance-Trade-off.

Regressionsmodelle

Lineare Regression

Logistische Regression

Modelle bewerten

Bewertung von Regressionsmodellen

Bewertung von Klassifikationen

Fehlende Daten und Ausreißer

Umgang mit Nullwerten

Ausreißer erkennen

Bias-Variance-Trade-off

Test- und Trainingsfehler

Die Trade-off-Visualisierung

Zum Abschluss

Regression und Klassifikation

Du willst dir den nächsten Job sichern oder deine Statistik-Interviewskills schärfen? Mach dich bereit, klassische Interviewthemen zu meistern – von bedingten Wahrscheinlichkeiten über A/B-Tests bis hin zum Bias-Variance-Trade-off und vieles mehr! Du arbeitest mit vielfältigen Datensätzen, darunter Ergebnisse webbasierter Experimente und australische Wetterdaten. Nach diesem Kurs gehst du selbstbewusst ins nächste Interview und meisterst jede Statistikfrage mit Hilfe von Python!

Hypothesis Testing in Python

Supervised Learning with scikit-learn

Bereiten Sie sich auf Ihr Statistik-Interview vor: bedingte Wahrscheinlichkeiten, A/B-Tests, Bias-Varianz.

Statistik-Interviewfragen in Python üben

Wir bereiten dich für dein nächstes Statistik-Interview vor und wiederholen bedingte Wahrscheinlichkeiten, A/B-Tests und mehr. 

Auswirkung auf den Typ-II-Fehler

Interaktive praktische Übung