Ce chapitre lance le cours en rappelant les probabilités conditionnelles, le théorème de Bayes et le théorème central limite. Au passage, vous apprendrez à traiter des questions s’appuyant sur des lois de probabilité fréquemment utilisées.

Probabilités conditionnelles

Bien poser 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

Probabilités et lois d’échantillonnage

Dans ce chapitre, vous vous préparerez aux notions statistiques liées à l’analyse exploratoire des données. Les thèmes abordés incluent les statistiques descriptives, la gestion des variables catégorielles et l’étude des relations entre variables. Les exercices vous prépareront à une évaluation analytique ou à une question de code centrée sur les stats.

Statistiques descriptives

Moyenne ou médiane

Écart type à la main

Données catégorielles

Techniques d’encodage

Explorer les prix des ordinateurs 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 essentielles sur les expérimentations et les tests en révisant les intervalles de confiance, les tests d’hypothèses, les tests multiples, ainsi que le rôle de la puissance statistique et de la taille d’échantillon. Nous aborderons aussi les types d’erreurs et leur interprétation en pratique.

Intervalles de confiance

Calculer un intervalle de confiance à la main

Appliquer les intervalles de confiance

Tests d’hypothèses

Test z unilatéral

Test t bilatéral

Puissance statistique et taille d’échantillon

Effet sur l’erreur de type II

Calculer la taille d’échantillon

Visualiser la relation

Tests multiples

Calculer les taux d’erreur

Correction de Bonferroni

Expérimentations et tests de signification

Pour conclure, nous traiterons des concepts étroitement liés aux modèles de régression et de classification. Le chapitre commence par un rappel des algorithmes fondamentaux de Machine Learning, puis enchaîne rapidement sur l’évaluation des 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 en classification

Données manquantes et valeurs aberrantes

Gérer les valeurs nulles

Identifier les valeurs aberrantes

Compromis biais-variance

Erreur de test et d’entraînement

Visualiser le compromis

Pour conclure

Régression et classification

Vous cherchez à décrocher votre prochain poste ou à affûter vos compétences pour les entretiens en statistiques ? Préparez-vous à maîtriser les notions classiques d’entretien, des probabilités conditionnelles aux tests A/B, jusqu’au compromis biais-variance, et bien plus encore ! Vous travaillerez sur une variété de jeux de données, notamment des résultats d’expériences web et des données météorologiques australiennes. À l’issue du cours, vous pourrez aborder sereinement votre prochain entretien et répondre à toute question de statistiques avec l’aide de Python !

Hypothesis Testing in Python

Supervised Learning with scikit-learn

Préparez votre entretien en révisant les probabilités conditionnelles, tests A/B, biais-variance, etc.

S’entraîner aux questions d’entretien en statistiques avec Python

Effet sur l’erreur de type II

S’entraîner aux questions d’entretien en statistiques avec Python

Exercice interactif pratique