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.

Intervalli di confidenza

Intervallo di confidenza a mano

Applicare gli intervalli di confidenza

Test d'ipotesi

Z-test a una coda

t-test a due code

Potenza e dimensione del campione

Effetto sull'errore di tipo II

Calcolo della dimensione del campione

Visualizzare la relazione

Test multipli

Calcolare i tassi di errore

Correzione di 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

Vuoi ottenere il prossimo lavoro o affinare le tue abilità per i colloqui di statistica per restare al top? Preparati a padroneggiare i classici concetti da colloquio, dalle probabilità condizionate all’A/B testing fino al compromesso bias-varianza, e molto altro! Lavorerai con una raccolta eterogenea di insiemi di dati, tra cui risultati di esperimenti sul web e dati meteo australiani. Al termine del corso, potrai affrontare con sicurezza il tuo prossimo colloquio e rispondere a qualsiasi domanda di statistica con l’aiuto di Python!

Hypothesis Testing in Python

Supervised Learning with scikit-learn

Prepara il tuo colloquio di statistica ripassando probabilità condizionali, test A/B, bias-varianza.

Esercitarsi con le domande di statistica per i colloqui in Python

Preparati per il tuo prossimo colloquio di statistica ripassando concetti come probabilità condizionate, test A/B, compromesso bias-varianza e altro ancora. 

t-test a due code

Esercitarsi con le domande di statistica per i colloqui in Python

Esercizio pratico interattivo