Signification statistique

Que signifie le fait que le résultat d’un test A/B ne soit PAS statistiquement significatif ?

Cet exercice fait partie du cours

<cours>Comprendre la science des données</cours>

Voir le cours

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Comprendre la science des données</cours>

DébutantNiveau de compétence

4.8+

7038 reviews

Commencer le cours gratuitement

Nous commencerons le cours en définissant la science des données. Nous aborderons le workflow de la science des données et les applications de la science des données à des problèmes concrets. Nous terminerons ce chapitre par la découverte des différents rôles qui existent dans le domaine de la science des données.

Exercise 1: Qu’est-ce que la science des données ?Exercise 2: Data science everywhere!Exercise 3: Importance de la science des données Exercise 4: Applications de la science des données Exercise 5: La science des données au quotidien Exercise 6: The science of smart assistants Exercise 7: Rôles et outils de la science des données Exercise 8: Choisir le bon candidat Exercise 9: Un rôle de scientifique des données

Maintenant que nous comprenons le workflow de la science des données, nous allons approfondir la première étape : la collecte et le stockage des données. Nous découvrirons les différentes sources de données dans lesquelles vous pouvez puiser, à quoi ressemblent ces données, comment les stocker une fois qu’elles sont collectées et comment un pipeline de données peut automatiser le processus.

Exercise 1: Sources de données Exercise 2: Tri des sources de données Exercise 3: Asthma frequencies Exercise 4: Types de données Exercise 5: Classification des types de données Exercise 6: Net promoter score Exercise 7: Suivi d’activité Exercise 8: Stockage et récupération des données Exercise 9: Plateformes cloud Exercise 10: Querying a database Exercise 11: Quel type de base de données ?Exercise 12: Pipelines de données Exercise 13: Caractéristiques d’un pipeline de données Exercise 14: Extraire Transformer Charger (ETL)

La préparation des données est fondamentale : les scientifiques des données passent 80 % de leur temps à nettoyer et manipuler les données, et seulement 20 % de leur temps à les analyser. Ce chapitre vous montrera comment diagnostiquer les problèmes dans vos données, et comment traiter les valeurs manquantes et les valeurs aberrantes. Vous découvrirez ensuite la visualisation, un autre outil essentiel pour explorer vos données et communiquer vos résultats.

Exercise 1: Préparation des données Exercise 2: Aux frontières du réel Exercise 3: Êtes-vous prêt ?Exercise 4: Analyse exploratoire des données (EDA)Exercise 5: EDA numérique Exercise 6: Visual EDA Exercise 7: Visualisation Exercise 8: Interactive dashboards Exercise 9: Improving a dashboard

Dans ce dernier chapitre, nous parlerons d’expérimentation et de prédiction ! Nous commencerons par les expériences, puis nous aborderons les tests A/B, et nous passerons aux prévisions de séries temporelles, qui nous apprendront à prédire des événements futurs. Enfin, nous terminerons par le machine learning, et examinerons l’apprentissage supervisé et le clustering.

Exercise 1: Tests A/B Exercise 2: Création d’un workflow pour les tests A/B Exercise 3: Signification statistique

Exercice actuel

Exercise 4: Intermediate results Exercise 5: Prévision de séries temporelles Exercise 6: Classification de données de séries temporelles Exercise 7: Interpret a time series plot Exercise 8: Machine learning supervisé Exercise 9: Quand utiliser l’apprentissage supervisé Exercise 10: Features and labels Exercise 11: Évaluation du modèle Exercise 12: Clustering Exercise 13: Supervisé ou non supervisé Exercise 14: Cluster size selection Exercise 15: Félicitations !