Ten rozdział rozpoczyna kurs od omówienia prawdopodobieństwa warunkowego, twierdzenia Bayesa i centralnego twierdzenia granicznego. Przy okazji nauczysz się, jak podejść do pytań dotyczących najczęściej stosowanych rozkładów prawdopodobieństwa.

Prawdopodobieństwo warunkowe

Formułowanie zadań

Twierdzenie Bayesa w praktyce

Centralne twierdzenie graniczne

Próbki z rzutu kostką

Symulowanie centralnego twierdzenia granicznego

Rozkłady prawdopodobieństwa

Rozkład Bernoulliego

Rozkład dwumianowy

Rozkład normalny

Prawdopodobieństwo i rozkłady próbkowania

W tym rozdziale przygotujesz się do pytań ze statystyki związanych z eksploracyjną analizą danych. Omówione tematy to statystyki opisowe, praca ze zmiennymi kategorycznymi oraz zależności między zmiennymi. Ćwiczenia przygotują cię do testu analitycznego lub zadania rekrutacyjnego opartego na kodowaniu.

Statystyki opisowe

Średnia czy mediana

Odchylenie standardowe ręcznie

Dane kategoryczne

Techniki kodowania

Analiza cen laptopów

Dwie lub więcej zmiennych

Typy zależności

Korelacja Pearsona

Wrażliwość na wartości odstające

Eksploracyjna analiza danych

Czas zagłębić się w kluczowe zagadnienia dotyczące eksperymentów i testowania – omówimy przedziały ufności, testowanie hipotez, problem wielokrotnych testów oraz rolę mocy testu i wielkości próby. Przyjrzymy się też rodzajom błędów i ich znaczeniu w praktyce.

Przedziały ufności

Przedział ufności obliczany ręcznie

Zastosowanie przedziałów ufności

Testowanie hipotez

Jednostronny test z

Dwustronny test t

Moc testu i wielkość próby

Wpływ na błąd II rodzaju

Obliczanie wielkości próby

Wizualizacja zależności

Wielokrotne testowanie

Obliczanie współczynników błędów

Korekta Bonferroniego

Eksperymenty statystyczne i testowanie istotności

Na zakończenie skupimy się na zagadnieniach ściśle związanych z modelami regresji i klasyfikacji. Rozdział zaczyna się od przeglądu podstawowych algorytmów uczenia maszynowego, a następnie szybko przechodzi do oceny modeli, obsługi szczególnych przypadków i kompromisu między obciążeniem a wariancją.

Modele regresji

Regresja liniowa

Regresja logistyczna

Ewaluacja modeli

Ocena modelu regresji

Ewaluacja klasyfikacji

Brakujące dane i wartości odstające

Obsługa wartości null

Identyfikowanie wartości odstających

Kompromis między odchyleniem a wariancją

Błąd testowy i treningowy

Wizualizacja kompromisu

Podsumowanie

Regresja i klasyfikacja

Chcesz zdobyć wymarzoną pracę albo po prostu podszlifować wiedzę ze statystyki? Opanuj kluczowe zagadnienia poruszane na rozmowach rekrutacyjnych – od prawdopodobieństwa warunkowego, przez testy A/B, aż po kompromis między obciążeniem a wariancją modelu. Będziesz pracować z różnorodnymi zbiorami danych, w tym z wynikami eksperymentów internetowych i danymi pogodowymi z Australii. Po ukończeniu kursu śmiało wejdziesz na rozmowę kwalifikacyjną i z pomocą Pythona poradzisz sobie z każdym pytaniem ze statystyki!

Hypothesis Testing in Python

Supervised Learning with scikit-learn

Przygotuj się do rozmowy z zakresu statystyki, przeglądając prawdopodobieństwo warunkowe, testy A/B.

Ćwiczenie pytań rekrutacyjnych ze statystyki w Pythonie

Wpływ na błąd II rodzaju

Ćwiczenie pytań rekrutacyjnych ze statystyki w Pythonie

Interaktywne ćwiczenie praktyczne