Questo capitolo apre il corso ripassando le probabilità condizionate, il teorema di Bayes e il teorema del limite centrale. Lungo il percorso, imparerai a gestire domande che utilizzano le distribuzioni di probabilità più comuni.

Probabilità condizionate

Impostare i problemi

Applicazione del teorema di Bayes

Teorema del limite centrale

Campioni da un dado lanciato

Simulare il teorema del limite centrale

Distribuzioni di probabilità

Distribuzione di Bernoulli

Distribuzione binomiale

Distribuzione normale

Probabilità e distribuzioni di campionamento

In questo capitolo ti preparerai ai concetti statistici legati all’analisi esplorativa dei dati. Tra gli argomenti: statistiche descrittive, gestione delle variabili categoriche e relazioni tra variabili. Gli esercizi ti prepareranno a una valutazione analitica o a una domanda di coding basata sulla statistica.

Statistiche descrittive

Media o mediana

Deviazione standard a mano

Dati categorici

Tecniche di codifica

Esplorare i prezzi dei laptop

Due o più variabili

Tipi di relazioni

Correlazione di Pearson

Sensibilità agli outlier

Analisi esplorativa dei dati

Preparati ad approfondire concetti fondamentali su esperimenti e test ripassando intervalli di confidenza, test d’ipotesi, test multipli e il ruolo di potenza statistica e dimensione del campione. Parleremo anche dei tipi di errore e di cosa significano nella pratica.

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

Esperimenti statistici e test di significatività

Per concludere, affronteremo concetti strettamente legati ai modelli di regressione e classificazione. Il capitolo parte dai fondamenti degli algoritmi di Machine Learning e passa rapidamente alla valutazione dei modelli, alla gestione dei casi particolari e al compromesso bias-varianza.

Modelli di regressione

Regressione lineare

Regressione logistica

Valutare i modelli

Valutazione della regressione

Valutazione della classificazione

Dati mancanti e valori anomali

Gestire i valori null

Individuare gli outlier

Compromesso bias-varianza

Errore di test e di training

Visualizzare il trade-off

Tiriamo le fila

Regressione e classificazione

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. 

Effetto sull'errore di tipo II

Esercitarsi con le domande di statistica per i colloqui in Python

esercizio interattivo pratico