Örneklem büyüklüğü

Jason, BuyBangles.com adlı bir mücevher sitesinin web tasarımını yönetiyor. Eski site düzeni (A) ile yeni site düzenini (B) karşılaştırdığı ve sonunda bilezik satın alan ziyaretçi yüzdesini izlediği bir A/B Testi yapmak istiyor.

Jason’ın ideal A/B Testi örneklem büyüklüğünü bulan bir aracı var; başlangıç dönüşüm yüzdesini ve minimum tespit edilebilir etkiyi ayarladıkça gereken örneklem büyüklüğü değişiyor. Başlangıç dönüşüm, siteyi ziyaret ettikten sonra bilezik satın alan ziyaretçilerin mevcut yüzdesini belirler; minimum tespit edilebilir etki ise tespit etmek istediğimiz en düşük yüzde puanındaki iyileşmeyi belirler.

Başlangıç dönüşümü ve minimum tespit edilebilir fark örneklem büyüklüğünü nasıl etkiler? Aşağıdaki cümleyi tamamla: Başlangıç dönüşümü arttıkça, örneklem büyüklüğü ____. Minimum tespit edilebilir fark arttıkça, örneklem büyüklüğü ____.

Bu egzersiz

İş Dünyası için Data Science

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

İnteraktif egzersizlerimizden biriyle teoriyi pratiğe dökün

Egzersizi başlat

Bu egzersiz

İş Dünyası için Data Science

kursunun bir parçasıdır

InicianteNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

We'll start the course by defining what data science is. We'll cover the data science workflow, and how data science is applied to real-world business problems. We'll finish the chapter by learning about ways to structure your data team to meet your organization's needs.

Exercise 1: What is Data Science?Exercise 2: Customer Segmentation Workflow Exercise 3: Building a customer service chatbot Exercise 4: Improving OKRs Exercise 5: Applications of Data Science Exercise 6: Assigning data science projects Exercise 7: Investment research Exercise 8: Building a data science team Exercise 9: Interpreting a team sprint Exercise 10: Editing a job posting Exercise 11: Matching skills to jobs Exercise 12: Classifying data tasks

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection. We'll learn about the different data sources your company can draw from, and how to store that data once it's collected.

Exercise 1: Data sources and risks Exercise 2: Classifying data for security Exercise 3: Creating web data events Exercise 4: Protecting PII Exercise 5: Solicited data Exercise 6: Identifying question purpose Exercise 7: Validating focus group feedback Exercise 8: Net Promoter Score Exercise 9: Collecting additional data Exercise 10: Sorting data sources Exercise 11: Asthma frequency Exercise 12: Data storage and retrieval Exercise 13: Cloud platforms Exercise 14: Querying a database Exercise 15: Which type of database?

In this chapter, we'll discuss ways to explore and visualize data through dashboards. We'll discuss the elements of a dashboard and how to make a directed request for a dashboard. This chapter will also cover making ad hoc data requests and A/B tests, which are a powerful analytics tool that de-risk decision-making.

Exercise 1: Gösterge Panoları Exercise 2: Gösterge paneli öğelerini sınıflandırma Exercise 3: Bir panoyu iyileştirme Exercise 4: Doğru gösterge panelini seçmek Exercise 5: Ad hoc analiz Exercise 6: Ad hoc talep formunu doldurma Exercise 7: Talepleri sınıflandırma Exercise 8: A/B Testi Exercise 9: Bir A/B test iş akışı oluşturma Exercise 10: Örneklem büyüklüğü

Geçerli Egzersiz

Exercise 11: Ara sonuçlar

In this final chapter, we'll discuss the buzziest topic in data science: machine learning! We'll cover supervised and unsupervised machine learning, and clustering. Then, we'll move on to special topics in machine learning, including time series prediction, natural language processing, deep learning, and explainable AI!

Exercise 1: Supervised machine learning Exercise 2: When to use Supervised Learning Exercise 3: Features and labels Exercise 4: Model evaluation Exercise 5: Clustering Exercise 6: Supervised vs. unsupervised Exercise 7: Cluster size selection Exercise 8: Special topics in Machine Learning Exercise 9: Classifying machine learning tasks Exercise 10: Sentiment Analysis Exercise 11: Deep Learning and Explainable AI Exercise 12: Finding the correct solution Exercise 13: Should I use Deep Learning?