After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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
