Este capítulo da comienzo al curso repasando probabilidades condicionales, el teorema de Bayes y el teorema central del límite. Por el camino, aprenderás a abordar preguntas que trabajan con distribuciones de probabilidad mencionadas con frecuencia.

Probabilidades condicionales

Plantear problemas

Aplicación del teorema de Bayes

Teorema central del límite

Muestras de un dado lanzado

Simulando el teorema central del límite

Distribuciones de probabilidad

Distribución de Bernoulli

Distribución binomial

Distribución normal

Probabilidad y distribuciones muestrales

En este capítulo, te prepararás para conceptos estadísticos relacionados con el análisis exploratorio de datos. Los temas incluyen estadística descriptiva, tratamiento de variables categóricas y relaciones entre variables. Los ejercicios te prepararán para una evaluación analítica o una pregunta de programación basada en estadística.

Estadística descriptiva

Media o mediana

Desviación estándar a mano

Datos categóricos

Técnicas de codificación

Explorando los precios de portátiles

Dos o más variables

Tipos de relaciones

Correlación de Pearson

Sensibilidad a los valores atípicos

Análisis exploratorio de datos

Prepárate para profundizar en conceptos clave sobre experimentos y pruebas repasando intervalos de confianza, contrastes de hipótesis, pruebas múltiples y el papel que juegan la potencia y el tamaño de la muestra. También hablaremos de los tipos de errores y de lo que significan en la práctica.

Intervalos de confianza

Intervalo de confianza a mano

Aplicar intervalos de confianza

Pruebas de hipótesis

Prueba z de una cola

t-test de dos colas

Potencia y tamaño de muestra

Efecto sobre el error de tipo II

Calcular el tamaño de la muestra

Visualizar la relación

Pruebas múltiples

Calculating error rates

Corrección de Bonferroni

Experimentos estadísticos y pruebas de significancia

Para cerrar, abordaremos conceptos estrechamente relacionados con los modelos de regresión y clasificación. El capítulo comienza repasando algoritmos fundamentales de Machine Learning y avanza rápidamente hacia la evaluación de modelos, el manejo de casos especiales y el compromiso sesgo-varianza.

Modelos de regresión

Regresión lineal

Regresión logística

Evaluar modelos

Evaluación de regresión

Evaluación de clasificación

Datos faltantes y valores atípicos

Cómo manejar valores nulos

Identificar valores atípicos

Equilibrio sesgo-varianza

Error de test y de entrenamiento

Visualizing the tradeoff

Para terminar

Regresión y clasificación

¿Quieres conseguir tu próximo trabajo o pulir tus habilidades para entrevistas de estadística y mantenerte en forma? Prepárate para dominar conceptos clásicos de entrevista, desde probabilidades condicionales hasta pruebas A/B y el compromiso sesgo-varianza, ¡y mucho más! Trabajarás con una colección diversa de conjuntos de datos, incluidos resultados de experimentos web y datos meteorológicos de Australia. Al finalizar el curso, podrás ir con confianza a tu próxima entrevista y afrontar cualquier pregunta de estadística con la ayuda de Python.

Hypothesis Testing in Python

Supervised Learning with scikit-learn

Prepárate para tu entrevista de estadística revisando probabilidades, pruebas A/B y sesgo-varianza.

Practicando preguntas de entrevistas de estadística en Python

Efecto sobre el error de tipo II

Practicando preguntas de entrevistas de estadística en Python

Ejercicio interactivo práctico