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.

Descriptive statistics

Mean or median

Standard deviation by hand

Categorical data

Encoding techniques

Exploring laptop prices

Two or more variables

Types of relationships

Pearson correlation

Sensitivity to outliers

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. 

Regresyon modelleri

Doğrusal regresyon

Lojistik regresyon

Modelleri değerlendirme

Regresyon değerlendirmesi

Sınıflandırma değerlendirmesi

Eksik veriler ve aykırı değerler

Null değerleri ele alma

Aykırı değerleri belirleme

Bias-variance dengesi

Test ve eğitim hatası

Dengelemeyi görselleştirme

Kapanış

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. 

Aykırı değerleri belirleme

Python ile İstatistik Mülakat Soruları Pratiği

Uygulamalı interaktif egzersiz