Ce chapitre lance le cours en passant en revue les probabilités conditionnelles, le théorème de Bayes et le théorème central limite. En cours de route, vous apprendrez à aborder des questions faisant appel aux distributions de probabilité les plus courantes.

Probabilités conditionnelles

Formuler les problèmes

Application du théorème de Bayes

Théorème central limite

Échantillons d'un lancer de dé

Simuler le théorème central limite

Lois de probabilité

Loi de Bernoulli

Loi binomiale

Loi normale

Probabilité et lois d'échantillonnage

Dans ce chapitre, vous vous préparerez aux notions statistiques liées à l'analyse exploratoire des données. Les sujets comprennent les statistiques descriptives, la gestion des variables catégorielles et les relations entre variables. Les exercices vous prépareront à une évaluation analytique ou à une question de codage axée sur les statistiques.

Statistiques descriptives

Moyenne ou médiane

Calculer l'écart type à la main

Données catégorielles

Techniques d'encodage

Explorer les prix des portables

Deux variables ou plus

Types de relations

Corrélation de Pearson

Sensibilité aux valeurs aberrantes

Analyse exploratoire des données

Préparez-vous à approfondir des notions cruciales sur les expériences et les tests en revoyant les intervalles de confiance, les tests d'hypothèses, les tests multiples, ainsi que le rôle de la puissance et de la taille d'échantillon. Nous aborderons aussi les types d'erreurs et leur signification en pratique.

Intervalles de confiance

Intervalle de confiance à la main

Appliquer les intervalles de confiance

Vérification d'hypothèses

Test z unilatéral

Test t bilatéral

Puissance et taille de l'échantillon

Effet sur l'erreur de type II

Calculer la taille de l'échantillon

Visualiser la relation

Tests multiples

Calcul des taux d'erreur

Correction de Bonferroni

Expériences statistiques et tests de signification

Pour conclure, nous traiterons de notions étroitement liées aux modèles de régression et de classification. Le chapitre commence par un survol des algorithmes fondamentaux de Machine Learning et enchaîne rapidement avec l'évaluation de modèles, la gestion de cas particuliers et le compromis biais-variance.

Modèles de régression

Régression linéaire

Régression logistique

Évaluer les modèles

Évaluation de la régression

Évaluation de la classification

Données manquantes et valeurs aberrantes

Gérer les valeurs nulles

Repérer les valeurs aberrantes

Compromis biais-variance

Erreur de test et d'entraînement

Visualiser le compromis

En conclusion

Régression et classification

Vous cherchez à décrocher votre prochain emploi ou à perfectionner vos compétences en entrevue de statistiques pour rester au sommet ? Préparez-vous à maîtriser des notions classiques d'entrevue, des probabilités conditionnelles aux tests A/B, jusqu'au compromis biais-variance, et bien plus encore ! Vous travaillerez avec une collection variée d'ensembles de données, dont des résultats d'expériences sur le Web et des données météo australiennes. Après ce cours, vous pourrez vous présenter à votre prochaine entrevue avec assurance et répondre à toute question de statistiques à l'aide de Python !

Hypothesis Testing in Python

Supervised Learning with scikit-learn

Préparez-vous pour votre entrevue en statistiques : probabilités conditionnelles, tests A/B, biais-variance.

S'exercer aux questions d'entrevue en statistiques avec Python

Effet sur l'erreur de type II

S'exercer aux questions d'entrevue en statistiques avec Python

Exercice interactif pratique