Aritmetik ortalama mı, medyan mı

Veri bilimciler olarak, verileri olabildiğince öz biçimde anlatmaya çalışırız. Bu da bizi en yaygın iki merkezi eğilim ölçüsüne getirir: aritmetik ortalama ve medyan. Bu egzersizde birkaç farklı senaryoya bakacak ve veriyi etkili biçimde tanımlamak için hangi ölçütün en uygun olduğuna karar vereceksin.

Daha somut olarak, sıcaklık ve rüzgar hızlarıyla ilgili özellikler içeren Avustralya hava durumu verilerini keşfedeceksin. Bu veri kümesi weather olarak içe aktarıldı ve hem matplotlib hem de pandas paketleri, bu bölümün geri kalanında da kullanman için sırasıyla plt ve pd olarak içe aktarıldı.

Bu egzersiz, kursun bir parçasıdır

Python ile İstatistik Mülakat Soruları Pratiği

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Visualize the distribution 
plt.hist(____)
plt.show()

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

Python ile İstatistik Mülakat Soruları Pratiği

AvançadoNível de habilidade

4.8+

84 reviews

Kursa Ücretsiz Başla

This chapter kicks the course off by reviewing conditional probabilities, Bayes' theorem, and central limit theorem. Along the way, you will learn how to handle questions that work with commonly referenced probability distributions.

Exercise 1: Conditional probabilities Exercise 2: Setting up problems Exercise 3: Bayes' theorem applied Exercise 4: Central limit theorem Exercise 5: Samples from a rolled die Exercise 6: Simulating central limit theorem Exercise 7: Probability distributions Exercise 8: Bernoulli distribution Exercise 9: Binomial distribution Exercise 10: Normal distribution

In this chapter, you will prepare for statistical concepts related to exploratory data analysis. The topics include descriptive statistics, dealing with categorical variables, and relationships between variables. The exercises will prepare you for an analytical assessment or stats-based coding question.

Exercise 1: Betimsel istatistikler Exercise 2: Aritmetik ortalama mı, medyan mı

Geçerli egzersiz

Exercise 3: Elle standart sapma Exercise 4: Kategorik veriler Exercise 5: Kodlama teknikleri Exercise 6: Dizüstü bilgisayar fiyatlarını keşfetme Exercise 7: İki veya daha fazla değişken Exercise 8: İlişki türleri Exercise 9: Pearson korelasyonu Exercise 10: Aykırı değerlere duyarlılık

Prepare to dive deeper into crucial concepts regarding experiments and testing by reviewing confidence intervals, hypothesis testing, multiple tests, and the role that power and sample size play. We'll also discuss types of errors, and what they mean in practice.

Exercise 1: Confidence intervals Exercise 2: Confidence interval by hand Exercise 3: Applying confidence intervals Exercise 4: Hypothesis testing Exercise 5: One tailed z-test Exercise 6: Two tailed t-test Exercise 7: Power and sample size Exercise 8: Effect on type II error Exercise 9: Calculating sample size Exercise 10: Visualizing the relationship Exercise 11: Multiple testing Exercise 12: Calculating error rates Exercise 13: Bonferroni correction

Wrapping up, we'll address concepts related closely to regression and classification models. The chapter begins by reviewing fundamental machine learning algorithms and quickly ramps up to model evaluation, dealing with special cases, and the bias-variance tradeoff.

Exercise 1: Regression models Exercise 2: Linear regression Exercise 3: Logistic regression Exercise 4: Evaluating models Exercise 5: Regression evaluation Exercise 6: Classification evaluation Exercise 7: Missing data and outliers Exercise 8: Handling null values Exercise 9: Identifying outliers Exercise 10: Bias-variance tradeoff Exercise 11: Test and training error Exercise 12: Visualizing the tradeoff Exercise 13: Wrapping up