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.

Conditional probabilities

Setting up problems

Bayes' theorem applied

Central limit theorem

Samples from a rolled die

Simulating central limit theorem

Probability distributions

Bernoulli distribution

Binomial distribution

Normal distribution

Probability and Sampling Distributions

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.

Betimsel istatistikler

Aritmetik ortalama mı, medyan mı

Elle standart sapma

Kategorik veriler

Kodlama teknikleri

Dizüstü bilgisayar fiyatlarını keşfetme

İki veya daha fazla değişken

İlişki türleri

Pearson korelasyonu

Aykırı değerlere duyarlılık

Exploratory Data Analysis

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.

Confidence intervals

Confidence interval by hand

Applying confidence intervals

Hypothesis testing

One tailed z-test

Two tailed t-test

Power and sample size

Effect on type II error

Calculating sample size

Visualizing the relationship

Multiple testing

Calculating error rates

Bonferroni correction

Statistical Experiments and Significance Testing

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. 

Regression models

Linear regression

Logistic regression

Evaluating models

Regression evaluation

Classification evaluation

Missing data and outliers

Handling null values

Identifying outliers

Bias-variance tradeoff

Test and training error

Visualizing the tradeoff

Wrapping up

Regression and Classification

Yeni bir işe girmek ya da keskin kalmak için istatistik mülakat becerilerini geliştirmek mi istiyorsun? Koşullu olasılıklardan A/B testine, bias-variance dengesinden çok daha fazlasına uzanan klasik mülakat kavramlarında ustalaşmaya hazır ol! Web tabanlı deney sonuçları ve Avustralya hava durumu verileri dahil çeşitli veri kümeleriyle çalışacaksın. Bu kursun sonunda, bir sonraki mülakatına özgüvenle girip Python’un desteğiyle herhangi bir istatistik sorusunun üstesinden gelebileceksin!

Hypothesis Testing in Python

Supervised Learning with scikit-learn

Bir sonraki istatistik mülakatına koşullu olasılıklar, A/B testi, yanlılık-varyans dengesi gibi kavramları gözden geçirerek hazırlan.

Python ile İstatistik Mülakat Soruları Pratiği

Koşullu olasılıklar, A/B testi, önyargı-varyans dengesi ve daha fazlası gibi kavramları gözden geçirerek bir sonraki istatistik mülakatına hazırlanın. 

İlişki türleri

Python ile İstatistik Mülakat Soruları Pratiği

Uygulamalı etkileşimli egzersiz