Przejdź do głównej treści
Strona głównaPython

Kurs

Testy A/B w Pythonie

ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 11.2025
Zacznij kurs za darmo
PythonProbability & Statistics
4 godz.
16 filmów
51 Ćwiczeń
4,000 XP
12,235
Zaświadczenie o ukończeniu

Utwórz bezpłatne konto

Kontynuuj z GooglePokaż więcej opcji

lub


Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.

Uwielbiany przez kursantów z tysięcy firm

Group

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

W tym kursie zanurzysz się w świat testów A/B, zdobędziesz dogłębne zrozumienie praktycznych zastosowań oraz nauczysz się projektować, przeprowadzać i analizować te testy A/B w Pythonie.

Dowiedz się, jak działają testy A/B



Czy wiesz, że niemal na pewno bierzesz udział w teście A/B za każdym razem, gdy przeglądasz internet? Od wyszukiwarek i sklepów internetowych po media społecznościowe i kampanie marketingowe — wszystkie firmy zatrudniają najlepszych analityków danych, naukowców danych i inżynierów, aby wykorzystać potencjał testów A/B. Testowanie różnych wariantów może pomóc zoptymalizować doświadczenie klienta, zmaksymalizować zyski, wskazać kolejny najlepszy projekt i wiele więcej.

Dowiedz się o testach A/B w Pythonie



Zaczniesz od nauki, jak definiować właściwe metryki, a następnie dowiesz się, jak oszacować odpowiednią wielkość próby i czas trwania, aby uzyskać jednoznaczne wyniki. W trakcie tego kursu będziesz korzystać z różnych pakietów Pythona, które pomogą Ci w testach A/B, w tym statsmodels, scipy i pingouin.

Pod koniec kursu będziesz potrafić przeprowadzać niezbędne testy, które gwarantują dokładne wyniki, opanujesz sztukę wartości p oraz z łatwością i pewnością analizować wyniki testów A/B, aby wspierać najważniejsze decyzje biznesowe.

Wymagania wstępne

Hypothesis Testing in Python
1

Overview of A/B Testing

In this chapter, you’ll learn the foundations of A/B testing. You’ll explore clear steps and use cases, learn the reasons and value of designing and running A/B tests, and discover the most commonly used metrics design and estimation frameworks.
Zacznij rozdział
2

Experiment Design and Planning

In Chapter 2, you’ll cover the experiment design process. Starting with learning how to formulate strong A/B testing hypotheses, you’ll also cover statistical concepts such as power, error rates, and minimum detectable effects. You’ll finish the chapter by learning to estimate the appropriate sample size needed to yield conclusive results and tackle scenarios with multiple comparisons.
Zacznij rozdział
3

Data Processing, Sanity Checks, and Results Analysis

Here, you’ll discover a concrete workflow for cleaning, preprocessing, and exploring AB testing data, as well as learn the necessary sanity checks we need to follow to ensure valid results. You’ll explore a detailed explanation and example of analyzing difference in proportions A/B tests.
Zacznij rozdział
4

Practical Considerations and Making Decisions

In the final chapter, you’ll develop frameworks for analyzing differences in means and leveraging non-parametric tests when several assumptions aren't met. You’ll also learn how to apply the Delta method when analyzing ratio metrics and discover the best practices and some advanced topics to continue the A/B testing mastery journey.
Zacznij rozdział
Testy A/B w Pythonie
Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracy
Zapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Testy A/B w Pythonie już dziś!

Utwórz bezpłatne konto

Kontynuuj z GooglePokaż więcej opcji

lub


Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.