Мощность критерия и объём выборки

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Это упражнение является частью курса

Практика статистических вопросов для собеседований на Python

SkillTag.level.advancedSkillTag.label

4.8+

Начать курс бесплатно

Курс начинается с повторения условных вероятностей, теоремы Байеса и центральной предельной теоремы. По ходу глав вы научитесь работать с наиболее распространёнными вероятностными распределениями, которые часто встречаются на собеседованиях.

Exercise 1: Условные вероятности Exercise 2: Постановка задач Exercise 3: Теорема Байеса на практике Exercise 4: Центральная предельная теорема Exercise 5: Выборки из бросков кубика Exercise 6: Симуляция центральной предельной теоремы Exercise 7: Распределения вероятностей Exercise 8: Распределение Бернулли Exercise 9: Биномиальное распределение Exercise 10: Нормальное распределение

В этой главе вы подготовитесь к статистическим вопросам, связанным с разведочным анализом данных. Темы включают описательную статистику, работу с категориальными переменными и анализ взаимосвязей между переменными. Упражнения помогут вам подготовиться к аналитическим заданиям и практическим вопросам по статистике.

Exercise 1: Описательная статистика Exercise 2: Среднее или медиана Exercise 3: Стандартное отклонение вручную Exercise 4: Категориальные данные Exercise 5: Методы кодирования Exercise 6: Анализ цен на ноутбуки Exercise 7: Две переменные и более Exercise 8: Типы взаимосвязей Exercise 9: Корреляция Пирсона Exercise 10: Чувствительность к выбросам

Погрузитесь глубже в ключевые концепции экспериментов и тестирования: доверительные интервалы, проверка гипотез, множественное тестирование, а также роль мощности критерия и объёма выборки. Мы также рассмотрим типы ошибок и их практическое значение.

Exercise 1: Доверительные интервалы Exercise 2: Доверительный интервал вручную Exercise 3: Применение доверительных интервалов Exercise 4: Проверка гипотез Exercise 5: Односторонний z-тест Exercise 6: Двусторонний t-тест Exercise 7: Мощность критерия и объём выборки

Текущее упражнение

Exercise 8: Влияние на ошибку второго рода Exercise 9: Вычисление объёма выборки Exercise 10: Визуализация зависимости Exercise 11: Множественное тестирование Exercise 12: Вычисление уровней ошибок Exercise 13: Коррекция Бонферрони

В завершающей главе мы рассмотрим концепции, тесно связанные с моделями регрессии и классификации. Глава начинается с обзора базовых алгоритмов машинного обучения и последовательно переходит к оценке моделей, работе с особыми случаями и компромиссу смещения и дисперсии.

Exercise 1: Регрессионные модели Exercise 2: Линейная регрессия Exercise 3: Логистическая регрессия Exercise 4: Оценка моделей Exercise 5: Оценка регрессии Exercise 6: Оценка классификации Exercise 7: Пропущенные данные и выбросы Exercise 8: Обработка пропущенных значений Exercise 9: Выявление выбросов Exercise 10: Компромисс между смещением и дисперсией Exercise 11: Ошибка на тестовой и обучающей выборках Exercise 12: Визуализация компромисса Exercise 13: Подведение итогов