En iyi uygulamalar

Gerçek dünyadaki A/B testlerinde, sonuçlar hakkında net çıkarımlar yapabilmek için birkaç en iyi uygulamaya dikkat etmek ve yaygın hatalardan kaçınmak gerekir. A/B testlerinde en iyi uygulamaları yansıtan tüm yanıtları seç.

Bu egzersiz, kursun bir parçasıdır

Python ile A/B Testi

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python ile A/B Testi

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bu bölümde A/B testinin temellerini öğreneceksin. Net adımları ve kullanım alanlarını keşfedecek, A/B testlerini tasarlamanın ve yürütmenin nedenlerini ve değerini anlayacak, ayrıca en yaygın metrik tasarımı ve tahmin çerçevelerini göreceksin.

Exercise 1: A/B testi nedir?Exercise 2: A/B testinin en iyi seçenek olmadığı durumlar Exercise 3: A/B testinin adımları Exercise 4: Rastgeleleştirmenin etkileri Exercise 5: Neden deney yapıyoruz?Exercise 6: Korelasyon görselleştirme Exercise 7: Korelasyon mu nedensellik mi?Exercise 8: Metrik tasarımı ve tahmini Exercise 9: Ortalamalar ve oranlar Exercise 10: Reklam gösterimi metrikleri

2. Bölümde deney tasarımı sürecini ele alacaksın. Güçlü A/B testi hipotezleri formüle etmeyi öğrenerek başlayacak, ardından power, hata oranları ve minimum tespit edilebilir etki gibi istatistiksel kavramları inceleyeceksin. Bölümü, net sonuçlar elde etmek için gereken uygun örneklem büyüklüğünü tahmin etmeyi öğrenerek ve çoklu karşılaştırma içeren senaryolarla başa çıkarak tamamlayacaksın.

Exercise 1: Hipotez oluşturma ve dağılımlar Exercise 2: Güçlü hipotez formülasyonu Exercise 3: Dağılımları görselleştirme Exercise 4: Ortalamalar için merkezi limit teoremi Exercise 5: Deney tasarımı: test parametrelerini belirleme Exercise 6: p-değerlerini yorumlama Exercise 7: Gerçek dünyada hata oranları Exercise 8: Deney tasarımı: güç analizi Exercise 9: Güç eğrilerini çizmek Exercise 10: Ortalamalar için örneklem büyüklüğü Exercise 11: Oranlar için örneklem büyüklüğü Exercise 12: Çoklu karşılaştırma testleri Exercise 13: Çoklu karşılaştırmalar düzeltmesi gerekiyor mu?Exercise 14: Düzeltilmiş p-değerleri

Burada, A/B testi verilerini temizleme, ön işleme ve keşfetmeye yönelik somut bir iş akışını keşfedecek ve geçerli sonuçlar için izlememiz gereken gerekli sağlamlık (sanity) kontrollerini öğreneceksin. Oran farklarının analiz edildiği A/B testlerinin ayrıntılı bir açıklamasını ve örneğini inceleyeceksin.

Exercise 1: Veri temizleme ve keşifsel analiz Exercise 2: Oranlar EDA Exercise 3: A/B test verisi temizleme Exercise 4: Sağlamlık kontrolleri: İç geçerlilik Exercise 5: SRM Exercise 6: Dağılımların dengesi Exercise 7: Sağduyu kontrolleri: dış geçerlilik Exercise 8: Yenilik etkilerini tespit etme Exercise 9: Simpson paradoksu iş başında Exercise 10: Oran farkı A/B testlerini analiz etme Exercise 11: Oran farkı A/B testi Exercise 12: Güven aralıklarının yorumlanması Exercise 13: Oranlar için güven aralıkları

Son bölümde, ortalama farklarını analiz etmeye yönelik çerçeveler geliştirecek ve bazı varsayımlar sağlanmadığında parametrik olmayan testlerden yararlanacaksın. Ayrıca oran metriklerini analiz ederken Delta yöntemini nasıl uygulayacağını öğrenecek ve A/B testinde uzmanlaşma yolculuğunu sürdürmek için en iyi uygulamaları ve bazı ileri konuları keşfedeceksin.

Exercise 1: Ortalama farkını analiz etme A/B testleri Exercise 2: Ortalama farkı için T-testi Exercise 3: Çiftli t-testleri Exercise 4: Parametrik olmayan istatistiksel testler Exercise 5: Parametrik mi, parametrik olmayan mı?Exercise 6: Mann-Whitney U testi Exercise 7: Bağımsızlık için ki-kare testi Exercise 8: Oran metrikleri ve delta yöntemi Exercise 9: Delta mı değil mi?Exercise 10: Delta yöntemi Exercise 11: A/B Testlerinde en iyi uygulamalar ve ileri konulara giriş Exercise 12: En iyi uygulamalar

Geçerli egzersiz

Exercise 13: Haftanın günleri etkisi Exercise 14: Kapanış: Python ile A/B testi