Praktyczna statystyka w Python

✅ zmienne ilościowe oraz kategorialne

✅ suma i suma skumulowana

✅ wskaźniki położenia i rozproszenia

✅ dystrybucja długiego ogona

✅ parametry cech liczbowych: tendencja centralna (średnia, mediana), parametr zmienności, parametry pozycyjne, parametry, parametr asymetrii

✅ parametry testów A-B: istotność statystyczna, moc testu, wielkość efektu, proporcje próbek

✅ t-test- jakie są ich wymagania dotyczące danych, jakie rodzaje

✅ nieparametryczne kryteria (np. o Mann-Whitney U test)

✅ Prawdopodobieństwo zdarzenia A: P(A)

✅ Prawdopodobieństwo łączne zdarzeń A i B (czyli zdarzy się jedno i drugie): P(A ∩ B) lub P(A,B) lub P(A and B)

✅ Prawdopodobieństwo warunkowe zdarzenia A pod warunkiem B (czyli zdarzy się A, gdy wiemy, że B się już zdarzyło): P(A|B)

✅ Zacząć podejmować decyzję na podstawie szansy (zmiana szans i jak to wpływa na decyzję)

✅ Prawdopodobieństwa z ML i co ciekawe, nie wykorzystując ML zbudować całkiem fajny model

✅ Jak w praktyce można przeprowadzić weryfikację szans (zaczniemy pisać swoje symulatory)

✅ Jedna z metod jak to można zrobić to użyć symulacji Monte Carlo

✅ Zbadamy od praktycznej strony czy faktycznie rzucanie monetą ma szansę 1/2

✅ Zbadamy od praktycznej strony Paradoks Monty’ego Halla (Monty Hall problem)

✅ Zobaczysz, jak można podchodzić do tworzenia różnych prognoz (np. strategia sprzedaży w oparciu o prawdopodobieństwo i symulator)

✅ Twierdzenie Bayesa

✅ Rozkład zero-jedynkowy

✅ Rozkład dwumianowy

✅ Rozkład beta

✅ Poznasz Multi-Armed Bandit (MAB) Problem i przykłady, gdzie można stosować tę strategię.

✅ Dowiesz się, jak optymalizować swoje decyzje w trakcie przeprowadzania testów.