Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
¿Quieres conseguir tu próximo trabajo o pulir tus habilidades para entrevistas de estadística y mantenerte en forma? Prepárate para dominar conceptos clásicos de entrevista, desde probabilidades condicionales hasta pruebas A/B y el compromiso sesgo-varianza, ¡y mucho más! Trabajarás con una colección diversa de conjuntos de datos, incluidos resultados de experimentos web y datos meteorológicos de Australia. Al finalizar el curso, podrás ir con confianza a tu próxima entrevista y afrontar cualquier pregunta de estadística con la ayuda de Python.
Requisitos previos
Programa de formación
Contenido del curso
1
Probabilidad y distribuciones muestrales
Este capítulo da comienzo al curso repasando probabilidades condicionales, el teorema de Bayes y el teorema central del límite. Por el camino, aprenderás a abordar preguntas que trabajan con distribuciones de probabilidad mencionadas con frecuencia.
- Probabilidades condicionales50 XP
- Plantear problemas50 XP
- Aplicación del teorema de Bayes100 XP
- Teorema central del límite50 XP
- Muestras de un dado lanzado100 XP
- Simulando el teorema central del límite100 XP
- Distribuciones de probabilidad50 XP
- Distribución de Bernoulli100 XP
- Distribución binomial100 XP
- Distribución normal100 XP
2
Análisis exploratorio de datos
En este capítulo, te prepararás para conceptos estadísticos relacionados con el análisis exploratorio de datos. Los temas incluyen estadística descriptiva, tratamiento de variables categóricas y relaciones entre variables. Los ejercicios te prepararán para una evaluación analítica o una pregunta de programación basada en estadística.
3
Experimentos estadísticos y pruebas de significancia
Prepárate para profundizar en conceptos clave sobre experimentos y pruebas repasando intervalos de confianza, contrastes de hipótesis, pruebas múltiples y el papel que juegan la potencia y el tamaño de la muestra. También hablaremos de los tipos de errores y de lo que significan en la práctica.
4
Regresión y clasificación
Para cerrar, abordaremos conceptos estrechamente relacionados con los modelos de regresión y clasificación. El capítulo comienza repasando algoritmos fundamentales de Machine Learning y avanza rápidamente hacia la evaluación de modelos, el manejo de casos especiales y el compromiso sesgo-varianza.
Practicando preguntas de entrevistas de estadística en Python
Curso
completado
