Build your ultimate AI agent
Opis kursu
Chcesz zdobyć wymarzoną pracę albo po prostu podszlifować wiedzę ze statystyki? Opanuj kluczowe zagadnienia poruszane na rozmowach rekrutacyjnych – od prawdopodobieństwa warunkowego, przez testy A/B, aż po kompromis między obciążeniem a wariancją modelu. Będziesz pracować z różnorodnymi zbiorami danych, w tym z wynikami eksperymentów internetowych i danymi pogodowymi z Australii. Po ukończeniu kursu śmiało wejdziesz na rozmowę kwalifikacyjną i z pomocą Pythona poradzisz sobie z każdym pytaniem ze statystyki!
Wymagania wstępne
Program kursu
Plan kursu
1
Prawdopodobieństwo i rozkłady próbkowania
Ten rozdział rozpoczyna kurs od omówienia prawdopodobieństwa warunkowego, twierdzenia Bayesa i centralnego twierdzenia granicznego. Przy okazji nauczysz się, jak podejść do pytań dotyczących najczęściej stosowanych rozkładów prawdopodobieństwa.
- Prawdopodobieństwo warunkowe50 XP
- Formułowanie zadań50 XP
- Twierdzenie Bayesa w praktyce100 XP
- Centralne twierdzenie graniczne50 XP
- Próbki z rzutu kostką100 XP
- Symulowanie centralnego twierdzenia granicznego100 XP
- Rozkłady prawdopodobieństwa50 XP
- Rozkład Bernoulliego100 XP
- Rozkład dwumianowy100 XP
- Rozkład normalny100 XP
2
Eksploracyjna analiza danych
W tym rozdziale przygotujesz się do pytań ze statystyki związanych z eksploracyjną analizą danych. Omówione tematy to statystyki opisowe, praca ze zmiennymi kategorycznymi oraz zależności między zmiennymi. Ćwiczenia przygotują cię do testu analitycznego lub zadania rekrutacyjnego opartego na kodowaniu.
3
Eksperymenty statystyczne i testowanie istotności
Czas zagłębić się w kluczowe zagadnienia dotyczące eksperymentów i testowania – omówimy przedziały ufności, testowanie hipotez, problem wielokrotnych testów oraz rolę mocy testu i wielkości próby. Przyjrzymy się też rodzajom błędów i ich znaczeniu w praktyce.
4
Regresja i klasyfikacja
Na zakończenie skupimy się na zagadnieniach ściśle związanych z modelami regresji i klasyfikacji. Rozdział zaczyna się od przeglądu podstawowych algorytmów uczenia maszynowego, a następnie szybko przechodzi do oceny modeli, obsługi szczególnych przypadków i kompromisu między obciążeniem a wariancją.
Ćwiczenie pytań rekrutacyjnych ze statystyki w Pythonie
Kurs
ukończony
