This chapter kicks the course off by reviewing conditional probabilities, Bayes' theorem, and central limit theorem. Along the way, you will learn how to handle questions that work with commonly referenced probability distributions.

Conditional probabilities

Setting up problems

Bayes' theorem applied

Central limit theorem

Samples from a rolled die

Simulating central limit theorem

Probability distributions

Bernoulli distribution

Binomial distribution

Normal distribution

Probability and Sampling Distributions

In this chapter, you will prepare for statistical concepts related to exploratory data analysis. The topics include descriptive statistics, dealing with categorical variables, and relationships between variables.  The exercises will prepare you for an analytical assessment or stats-based coding question.

Descriptive statistics

Mean or median

Standard deviation by hand

Categorical data

Encoding techniques

Exploring laptop prices

Two or more variables

Types of relationships

Pearson correlation

Sensitivity to outliers

Exploratory Data Analysis

Prepare to dive deeper into crucial concepts regarding experiments and testing by reviewing confidence intervals, hypothesis testing, multiple tests, and the role that power and sample size play. We'll also discuss types of errors, and what they mean in practice.

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

Statistical Experiments and Significance Testing

Wrapping up, we'll address concepts related closely to regression and classification models. The chapter begins by reviewing fundamental machine learning algorithms and quickly ramps up to model evaluation, dealing with special cases, and the bias-variance tradeoff. 

Regression models

Linear regression

Logistic regression

Evaluating models

Regression evaluation

Classification evaluation

Missing data and outliers

Handling null values

Identifying outliers

Bias-variance tradeoff

Test and training error

Visualizing the tradeoff

Wrapping up

Regression and 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

Exercice interactif pratique