双样本假设检验接下来为了探索双样本检验我们通过一个建筑公司两个不同办公室的员工满意度比例对比进行了双样本Z检验。此外你还学习了如何使用Python的scipy.stats模块进行双样本T检验以判断两个总体均值之间的差异是否具有统计显著性。这在A/B测试中非常常用。以下是使用Python进行双样本T检验的示例代码框架fromscipyimportstats t_statistic,p_valuestats.ttest_ind(sample_a,sample_b)https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/cf36ae2fb4ec17ca15985cba510c725d_2.png假设检验的实际应用A/B测试数据专业人员经常在A/B测试的背景下使用双样本检验。公司利用A/B测试评估从网站设计、移动应用到数字广告和营销邮件的方方面面。在本课程的这一部分我们通过一个化妆品公司的案例使用双样本T检验比较了用户在两个不同版本登录页面上花费的平均时间。A/B测试帮助商业领袖优化性能并改善客户体验。课程总结与后续安排本节课中我们一起学习了假设检验的完整流程、单样本与双样本检验的方法以及它们在A/B测试等实际场景中的应用。很快你将在一个基于真实A/B测试场景的组合项目中运用你的Python技能为此你已经做好了充分准备。接下来请准备一次分级评估。建议查阅列出了所有新术语的阅读材料并随时复习涵盖关键概念的课程视频、阅读材料和其他资源。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/cf36ae2fb4ec17ca15985cba510c725d_4.png祝贺你取得的所有进展做得很好053模块六项目介绍https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/4b1f5a45419c8efae27df7ddefaa5299_0.png在本节课中我们将学习如何完成本课程的最终作品集项目。该项目旨在展示你在统计学方面的知识并为你未来的求职面试提供具体的讨论案例。大家好我是Tiffany再次回来与大家讨论你们的作品集项目以及如何在求职中运用它们。与之前的课程一样你将完成一个独立的作品集项目。完成这个项目是向潜在雇主展示你在数据相关任务方面的知识和经验的绝佳方式。这一次你的项目将展示你在统计学方面的所学。这个作品集项目也是一个发展你面试技能的机会。当潜在雇主评估你时他们可能会询问你过去如何应对挑战的具体例子。你可以利用你的作品集来讨论你解决过的数据问题。这个项目将帮助你思考统计学如何指导数据专业工作并为你未来的工作面试提供一个具体的讨论案例。一些雇主可能还会要求你完成特定的任务例如A/B测试。除了拥有作品集创建你自己的实验设计意味着你将为这些面试做好更充分的准备。能够使用代码和统计软件进行计算对你的未来职业至关重要而理解如何将这些统计模型应用于工作场所的问题是在数据领域取得成功的关键。为了完成作品集项目你将获得一个商业案例的详细信息。然后你将根据指导完成你的“薪酬策略”文档中的新条目进行一次A/B测试以比较产品的两个不同版本并选择表现更好的那个。你将运用统计学来探索数据集理解数据的分布并确定你的结果是否具有统计显著性。然后你将用定量的方式总结你的发现并得出一个与商业问题相关的结论。完成这个项目后你将拥有一个可以添加到作品集里的A/B测试案例。在你的“薪酬策略”文档中你还会记录下整个过程所采取的步骤这些记录可以用来向未来的招聘经理解释你的工作。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/4b1f5a45419c8efae27df7ddefaa5299_2.png那么让我们开始吧。本节课中我们一起学习了最终作品集项目的目标与结构。我们了解到该项目不仅是一个展示统计学技能的成果更是一个为求职面试做准备、记录分析过程并解决实际商业问题的宝贵工具。054向潜在雇主展示你的才能 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/a4ee7b80ea62e0e25d21643db3b8e448_0.png在本节课中我们将学习如何有效地向潜在雇主展示你在数据科学领域的才能。课程内容基于一位行业专家的分享重点在于如何将理论知识转化为实践证据以证明你的能力。我叫肖恩目前是YouTube Shop的产品分析师。作为一名产品分析师我利用谷歌收集的数据来更好地理解用户如何使用我们的产品并思考如何通过数据做出更好的产品决策从而为用户提供更优质的服务。让我真正进入高级数据分析领域的其实是高中时听到的一个流行词——“大数据”。我当时认为我们可以利用大数据来理解世界的运行方式甚至预测未来。这对于当时还是青少年的我来说非常有吸引力。上一节我们了解了肖恩进入数据领域的初衷本节中我们来看看他在求职方面的具体建议。他认为在寻找数据科学工作时最重要的事情如下以下是肖恩认为求职时最重要的几点第一展示你对数据科学理论和实践技能的理解。在准备证明材料时确保你有一个Github链接或过往演示文稿的合集用以展示你曾进行过任何与数据科学或数据可视化相关的演示。第二在作品集或简历中展示统计技能时要注重实践应用。需要注意到这些技能在网上很容易获取每个人都可以从YouTube、Coursera或其他在线课程平台学习。你真正需要做的是展示你如何在实践中运用这些技能。第三解释问题与解决方案的关联。例如尝试解释你试图解决的具体业务问题或研究问题是什么并解释你为何决定使用某种模型或解决方案来解决该问题。仅仅知道理论或如何实现一个模型是不够的你真正需要展示的是你理解为何要使用这些模型。在上一节我们列出了核心要点本节我们来深入探讨如何具体呈现。在这些情况下确保你始终突出你试图解决的问题所对应的业务或研究目标然后准确地解释你如何应用这些技能以及如何评估结果。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/a4ee7b80ea62e0e25d21643db3b8e448_2.png如果你没有数据科学专业的大学学位请不要担心因为从在线课程中学到的技能正是行业所需要的。本节课中我们一起学习了如何向雇主展示数据科学才能。核心在于超越理论知识的罗列通过具体的项目、清晰的逻辑解释业务问题- 选择解决方案/模型- 评估结果来证明你的实践能力和解决问题的思维。记住有效的展示比单纯的技能列表更有说服力。055统计的力量 - 期末作品集项目介绍https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/8adaf4604a5407b276fc68f20e697ab8_0.png在本课程中我们学习了统计学的基本概念包括描述性统计与推断性统计、基础概率与概率分布、抽样、置信区间以及假设检验。现在是时候将所学知识付诸实践完成本次作品集项目了。在之前的课程中我们练习了用数据讲述故事。这些技能将伴随我们完成这个新项目。项目背景与目标 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/8adaf4604a5407b276fc68f20e697ab8_2.png上一节我们回顾了本课程的核心统计概念本节中我们来看看期末项目的具体内容。现在你已经积累了一些完成作品集项目的经验可以开始思考如何运用统计学来论证某个产品的有效性。在本课程的这个部分你将为一个特定公司模拟一次A/B 测试。然后使用统计方法分析数据并解释哪个版本的产品表现更好。最后你将根据结果向企业提出是否应该实施产品新版本的建议。以下是本项目的核心步骤设计并模拟 A/B 测试设定对照组A和实验组B。收集与分析数据运用假设检验等统计方法。解释结果并给出建议基于分析做出商业决策推荐。技能进阶与职业发展 在完成这个项目后你将在课程的其他部分继续探索作为一名数据专业人士的更多内涵。你将努力发展更多技能以帮助自己脱颖而出。关于使用数学模型分析数据集还有更多知识需要学习。作为一名数据专业人士你工作的很大一部分是分析数据从而就项目方向提出有依据的建议。通过运用统计学来实施和分析 A/B 测试你将帮助未来的雇主或客户就其公司产品或服务的投资做出明智的决策。随着课程的深入你将学习更高级的技术如回归分析和机器学习以展示数据分析在提升业务绩效方面的强大力量。项目价值总结 ✨本节课中我们一起学习了期末作品集项目的目标与结构。这个作品集项目是一个绝佳的机会可以向潜在雇主展示你为什么是他们团队中有价值的成员。通过将统计理论应用于实际的 A/B 测试模拟与分析你不仅巩固了所学知识更构建了一份证明你能够用数据驱动决策、创造商业价值的实战作品。056《统计的力量》课程总结与职业建议 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/51e85892186767e9adc8f959c2b95102_0.png在本节课中我们将对《统计的力量》课程进行总结并探讨如何将所学知识应用于职业发展。课程涵盖了数据分析的核心流程、Python工具的应用以及统计方法在业务场景中的实践。你已经出色地掌握了数据收集与分析的方法这些方法能帮助业务决策。你学到了如何分析数据并利用数据内在的信息帮助相关方全面了解当前的业务状况。至此你的作品集中已新增了PACE策略文档、一个整洁的数据集、能讲述数据故事的可视化图表以及一次模拟的A/B测试。随着你继续完成本课程的其他项目你的作品集将持续丰富展示你的学习进度与技能提升。请记住你正在积累具体的案例这些案例在未来与潜在雇主或招聘经理的面试中值得深入讨论。课程核心内容回顾 上一节我们介绍了项目成果本节中我们来回顾课程所涵盖的核心知识与技能。到目前为止你强化了对在数据职业中遵循PACE结构重要性的理解观察了Python如何助力数据操作以及如何组织分析数据集以讲述引人入胜的故事。此外本课程还教授了如何使用统计方法来探索任何给定的数据集或分析与解释通过抽样收集的数据。以下是本课程涵盖的关键技能点PACE工作流 规划、分析、构建与执行的结构化框架。Python数据分析 使用pandas、numpy等库进行数据操作与分析。统计探索 应用描述性统计与推断性统计理解数据。A/B测试模拟 设计实验并使用代码如scipy.stats进行假设检验。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/51e85892186767e9adc8f959c2b95102_2.png应对职业面试的准备 在开始为未来的面试做准备时你可能会被问到以下类型的问题。以下是你可以提前思考的方向问题一 你会如何使用统计学来衡量我们公司的业绩问题二 你曾如何使用统计模型解决业务问题问题三 设计一个A/B测试实验需要考虑哪些不同的因素你也可能被要求分享你参与过的一个重要数据项目的细节以及你如何利用统计学获得对团队或组织有益的见解。在这种情况下你刚刚完成的这个项目将是一个绝佳的讨论话题。你使用Python为特定场景模拟了一次A/B测试。同时请记住A/B测试也应用于许多其他场景。尽管如此A/B测试通常需要类似的方法因为它们都用于比较同一事物的两个版本无论是产品、网站、电子邮件活动还是其他。对于包括数据领域在内的许多职业而言一项关键技能是能够灵活应用你的知识。持续学习与展望 你在数据学习之旅上已经取得了长足的进步。接下来你将全面学习回归模型。然后你将有机会通过创建一篇博客文章来展示你的理解并评估一个需要多元线性回归模型的业务场景。到本课程结束时你将拥有一个坚实的作品集来展示你所完成的一切。本节课总结本节课我们一起回顾了《统计的力量》课程的核心内容包括PACE框架、Python数据分析、统计方法及A/B测试实践。我们探讨了如何将这些知识转化为面试中的优势并为接下来的回归模型学习做好了铺垫。持续构建你的作品集灵活运用技能是迈向数据职业成功的关键。057《统计的力量》课程总结 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/d067610cf1c7b5aaae23bd7908d6f35c_0.png在本节课中我们将对《统计的力量》这一部分的学习内容进行总结回顾已掌握的核心统计概念并展望后续课程的学习方向。恭喜你完成了本项目的统计部分学习。你对统计知识的掌握为你未来在数据专业领域学习更高级的分析方法奠定了坚实基础。你的统计知识也将在未来的求职面试中发挥重要作用。对基础统计概念的深刻理解将使你成为更具竞争力的求职者和更优秀的数据专业人士。之前我曾提到成为一名数据专业人士意味着在整个职业生涯中持续学习。这正是我热爱这个领域的原因。每次遇到一个新概念我都会充满兴奋感与重新燃起的好奇心。学习高级数据分析就像探索一个不断膨胀的宇宙。随着数据量的持续增长有太多奇妙的新世界等待我们去发现我们关于如何最佳分析和解读这些数据的知识也在同步增长。我至今仍花费大量时间自学机器学习的最新进展并阅读关于在数据分析中应用统计方法的新途径。现在你也踏上了同样的学习旅程并且在本课程中已经学到了很多。核心知识回顾 上一节我们概述了学习成果本节我们来具体回顾一下你已掌握的核心统计技能。以下是你在本课程中学到的主要内容描述性统计你学会了计算均值、中位数和标准差等描述性统计量用以探索和总结新的数据集。公式示例样本均值x̄ (Σx_i) / n概率分布你学会了应用二项分布、泊松分布和正态分布等概率分布来为数据建模。抽样分布与估计你学会了使用抽样分布对总体均值和比例进行点估计。置信区间你学会了构建置信区间来描述估计值的不确定性。假设检验你学会了进行假设检验以确定结果的统计显著性。后续学习展望 掌握了统计知识后你已经为接下来的课程做好了充分准备。在接下来的课程中你将以此为基础继续构建知识体系。下一门课程将为你的分析工具箱增添一个强大的新工具——一种名为回归的统计方法。此后你将有机会探索迷人的机器学习世界。课程交接与祝福 ✨我很高兴你将开始与下一位讲师合作。你可能还记得在本项目介绍视频中出现过的那位同事——在谷歌从事数据科学与营销交叉领域工作的Tiffany。Tiffany将为你详细讲解回归分析并帮助你朝着完成本项目、追求未来数据专业职业生涯的目标迈出下一步。很荣幸能陪伴你走过这段学习旅程。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/d067610cf1c7b5aaae23bd7908d6f35c_2.png祝愿你在下一阶段及未来的旅程中一切顺利。祝你好运。
谷歌高级数据分析 IV 笔记（三）
双样本假设检验接下来为了探索双样本检验我们通过一个建筑公司两个不同办公室的员工满意度比例对比进行了双样本Z检验。此外你还学习了如何使用Python的scipy.stats模块进行双样本T检验以判断两个总体均值之间的差异是否具有统计显著性。这在A/B测试中非常常用。以下是使用Python进行双样本T检验的示例代码框架fromscipyimportstats t_statistic,p_valuestats.ttest_ind(sample_a,sample_b)https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/cf36ae2fb4ec17ca15985cba510c725d_2.png假设检验的实际应用A/B测试数据专业人员经常在A/B测试的背景下使用双样本检验。公司利用A/B测试评估从网站设计、移动应用到数字广告和营销邮件的方方面面。在本课程的这一部分我们通过一个化妆品公司的案例使用双样本T检验比较了用户在两个不同版本登录页面上花费的平均时间。A/B测试帮助商业领袖优化性能并改善客户体验。课程总结与后续安排本节课中我们一起学习了假设检验的完整流程、单样本与双样本检验的方法以及它们在A/B测试等实际场景中的应用。很快你将在一个基于真实A/B测试场景的组合项目中运用你的Python技能为此你已经做好了充分准备。接下来请准备一次分级评估。建议查阅列出了所有新术语的阅读材料并随时复习涵盖关键概念的课程视频、阅读材料和其他资源。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/cf36ae2fb4ec17ca15985cba510c725d_4.png祝贺你取得的所有进展做得很好053模块六项目介绍https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/4b1f5a45419c8efae27df7ddefaa5299_0.png在本节课中我们将学习如何完成本课程的最终作品集项目。该项目旨在展示你在统计学方面的知识并为你未来的求职面试提供具体的讨论案例。大家好我是Tiffany再次回来与大家讨论你们的作品集项目以及如何在求职中运用它们。与之前的课程一样你将完成一个独立的作品集项目。完成这个项目是向潜在雇主展示你在数据相关任务方面的知识和经验的绝佳方式。这一次你的项目将展示你在统计学方面的所学。这个作品集项目也是一个发展你面试技能的机会。当潜在雇主评估你时他们可能会询问你过去如何应对挑战的具体例子。你可以利用你的作品集来讨论你解决过的数据问题。这个项目将帮助你思考统计学如何指导数据专业工作并为你未来的工作面试提供一个具体的讨论案例。一些雇主可能还会要求你完成特定的任务例如A/B测试。除了拥有作品集创建你自己的实验设计意味着你将为这些面试做好更充分的准备。能够使用代码和统计软件进行计算对你的未来职业至关重要而理解如何将这些统计模型应用于工作场所的问题是在数据领域取得成功的关键。为了完成作品集项目你将获得一个商业案例的详细信息。然后你将根据指导完成你的“薪酬策略”文档中的新条目进行一次A/B测试以比较产品的两个不同版本并选择表现更好的那个。你将运用统计学来探索数据集理解数据的分布并确定你的结果是否具有统计显著性。然后你将用定量的方式总结你的发现并得出一个与商业问题相关的结论。完成这个项目后你将拥有一个可以添加到作品集里的A/B测试案例。在你的“薪酬策略”文档中你还会记录下整个过程所采取的步骤这些记录可以用来向未来的招聘经理解释你的工作。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/4b1f5a45419c8efae27df7ddefaa5299_2.png那么让我们开始吧。本节课中我们一起学习了最终作品集项目的目标与结构。我们了解到该项目不仅是一个展示统计学技能的成果更是一个为求职面试做准备、记录分析过程并解决实际商业问题的宝贵工具。054向潜在雇主展示你的才能 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/a4ee7b80ea62e0e25d21643db3b8e448_0.png在本节课中我们将学习如何有效地向潜在雇主展示你在数据科学领域的才能。课程内容基于一位行业专家的分享重点在于如何将理论知识转化为实践证据以证明你的能力。我叫肖恩目前是YouTube Shop的产品分析师。作为一名产品分析师我利用谷歌收集的数据来更好地理解用户如何使用我们的产品并思考如何通过数据做出更好的产品决策从而为用户提供更优质的服务。让我真正进入高级数据分析领域的其实是高中时听到的一个流行词——“大数据”。我当时认为我们可以利用大数据来理解世界的运行方式甚至预测未来。这对于当时还是青少年的我来说非常有吸引力。上一节我们了解了肖恩进入数据领域的初衷本节中我们来看看他在求职方面的具体建议。他认为在寻找数据科学工作时最重要的事情如下以下是肖恩认为求职时最重要的几点第一展示你对数据科学理论和实践技能的理解。在准备证明材料时确保你有一个Github链接或过往演示文稿的合集用以展示你曾进行过任何与数据科学或数据可视化相关的演示。第二在作品集或简历中展示统计技能时要注重实践应用。需要注意到这些技能在网上很容易获取每个人都可以从YouTube、Coursera或其他在线课程平台学习。你真正需要做的是展示你如何在实践中运用这些技能。第三解释问题与解决方案的关联。例如尝试解释你试图解决的具体业务问题或研究问题是什么并解释你为何决定使用某种模型或解决方案来解决该问题。仅仅知道理论或如何实现一个模型是不够的你真正需要展示的是你理解为何要使用这些模型。在上一节我们列出了核心要点本节我们来深入探讨如何具体呈现。在这些情况下确保你始终突出你试图解决的问题所对应的业务或研究目标然后准确地解释你如何应用这些技能以及如何评估结果。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/a4ee7b80ea62e0e25d21643db3b8e448_2.png如果你没有数据科学专业的大学学位请不要担心因为从在线课程中学到的技能正是行业所需要的。本节课中我们一起学习了如何向雇主展示数据科学才能。核心在于超越理论知识的罗列通过具体的项目、清晰的逻辑解释业务问题- 选择解决方案/模型- 评估结果来证明你的实践能力和解决问题的思维。记住有效的展示比单纯的技能列表更有说服力。055统计的力量 - 期末作品集项目介绍https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/8adaf4604a5407b276fc68f20e697ab8_0.png在本课程中我们学习了统计学的基本概念包括描述性统计与推断性统计、基础概率与概率分布、抽样、置信区间以及假设检验。现在是时候将所学知识付诸实践完成本次作品集项目了。在之前的课程中我们练习了用数据讲述故事。这些技能将伴随我们完成这个新项目。项目背景与目标 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/8adaf4604a5407b276fc68f20e697ab8_2.png上一节我们回顾了本课程的核心统计概念本节中我们来看看期末项目的具体内容。现在你已经积累了一些完成作品集项目的经验可以开始思考如何运用统计学来论证某个产品的有效性。在本课程的这个部分你将为一个特定公司模拟一次A/B 测试。然后使用统计方法分析数据并解释哪个版本的产品表现更好。最后你将根据结果向企业提出是否应该实施产品新版本的建议。以下是本项目的核心步骤设计并模拟 A/B 测试设定对照组A和实验组B。收集与分析数据运用假设检验等统计方法。解释结果并给出建议基于分析做出商业决策推荐。技能进阶与职业发展 在完成这个项目后你将在课程的其他部分继续探索作为一名数据专业人士的更多内涵。你将努力发展更多技能以帮助自己脱颖而出。关于使用数学模型分析数据集还有更多知识需要学习。作为一名数据专业人士你工作的很大一部分是分析数据从而就项目方向提出有依据的建议。通过运用统计学来实施和分析 A/B 测试你将帮助未来的雇主或客户就其公司产品或服务的投资做出明智的决策。随着课程的深入你将学习更高级的技术如回归分析和机器学习以展示数据分析在提升业务绩效方面的强大力量。项目价值总结 ✨本节课中我们一起学习了期末作品集项目的目标与结构。这个作品集项目是一个绝佳的机会可以向潜在雇主展示你为什么是他们团队中有价值的成员。通过将统计理论应用于实际的 A/B 测试模拟与分析你不仅巩固了所学知识更构建了一份证明你能够用数据驱动决策、创造商业价值的实战作品。056《统计的力量》课程总结与职业建议 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/51e85892186767e9adc8f959c2b95102_0.png在本节课中我们将对《统计的力量》课程进行总结并探讨如何将所学知识应用于职业发展。课程涵盖了数据分析的核心流程、Python工具的应用以及统计方法在业务场景中的实践。你已经出色地掌握了数据收集与分析的方法这些方法能帮助业务决策。你学到了如何分析数据并利用数据内在的信息帮助相关方全面了解当前的业务状况。至此你的作品集中已新增了PACE策略文档、一个整洁的数据集、能讲述数据故事的可视化图表以及一次模拟的A/B测试。随着你继续完成本课程的其他项目你的作品集将持续丰富展示你的学习进度与技能提升。请记住你正在积累具体的案例这些案例在未来与潜在雇主或招聘经理的面试中值得深入讨论。课程核心内容回顾 上一节我们介绍了项目成果本节中我们来回顾课程所涵盖的核心知识与技能。到目前为止你强化了对在数据职业中遵循PACE结构重要性的理解观察了Python如何助力数据操作以及如何组织分析数据集以讲述引人入胜的故事。此外本课程还教授了如何使用统计方法来探索任何给定的数据集或分析与解释通过抽样收集的数据。以下是本课程涵盖的关键技能点PACE工作流 规划、分析、构建与执行的结构化框架。Python数据分析 使用pandas、numpy等库进行数据操作与分析。统计探索 应用描述性统计与推断性统计理解数据。A/B测试模拟 设计实验并使用代码如scipy.stats进行假设检验。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/51e85892186767e9adc8f959c2b95102_2.png应对职业面试的准备 在开始为未来的面试做准备时你可能会被问到以下类型的问题。以下是你可以提前思考的方向问题一 你会如何使用统计学来衡量我们公司的业绩问题二 你曾如何使用统计模型解决业务问题问题三 设计一个A/B测试实验需要考虑哪些不同的因素你也可能被要求分享你参与过的一个重要数据项目的细节以及你如何利用统计学获得对团队或组织有益的见解。在这种情况下你刚刚完成的这个项目将是一个绝佳的讨论话题。你使用Python为特定场景模拟了一次A/B测试。同时请记住A/B测试也应用于许多其他场景。尽管如此A/B测试通常需要类似的方法因为它们都用于比较同一事物的两个版本无论是产品、网站、电子邮件活动还是其他。对于包括数据领域在内的许多职业而言一项关键技能是能够灵活应用你的知识。持续学习与展望 你在数据学习之旅上已经取得了长足的进步。接下来你将全面学习回归模型。然后你将有机会通过创建一篇博客文章来展示你的理解并评估一个需要多元线性回归模型的业务场景。到本课程结束时你将拥有一个坚实的作品集来展示你所完成的一切。本节课总结本节课我们一起回顾了《统计的力量》课程的核心内容包括PACE框架、Python数据分析、统计方法及A/B测试实践。我们探讨了如何将这些知识转化为面试中的优势并为接下来的回归模型学习做好了铺垫。持续构建你的作品集灵活运用技能是迈向数据职业成功的关键。057《统计的力量》课程总结 https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/d067610cf1c7b5aaae23bd7908d6f35c_0.png在本节课中我们将对《统计的力量》这一部分的学习内容进行总结回顾已掌握的核心统计概念并展望后续课程的学习方向。恭喜你完成了本项目的统计部分学习。你对统计知识的掌握为你未来在数据专业领域学习更高级的分析方法奠定了坚实基础。你的统计知识也将在未来的求职面试中发挥重要作用。对基础统计概念的深刻理解将使你成为更具竞争力的求职者和更优秀的数据专业人士。之前我曾提到成为一名数据专业人士意味着在整个职业生涯中持续学习。这正是我热爱这个领域的原因。每次遇到一个新概念我都会充满兴奋感与重新燃起的好奇心。学习高级数据分析就像探索一个不断膨胀的宇宙。随着数据量的持续增长有太多奇妙的新世界等待我们去发现我们关于如何最佳分析和解读这些数据的知识也在同步增长。我至今仍花费大量时间自学机器学习的最新进展并阅读关于在数据分析中应用统计方法的新途径。现在你也踏上了同样的学习旅程并且在本课程中已经学到了很多。核心知识回顾 上一节我们概述了学习成果本节我们来具体回顾一下你已掌握的核心统计技能。以下是你在本课程中学到的主要内容描述性统计你学会了计算均值、中位数和标准差等描述性统计量用以探索和总结新的数据集。公式示例样本均值x̄ (Σx_i) / n概率分布你学会了应用二项分布、泊松分布和正态分布等概率分布来为数据建模。抽样分布与估计你学会了使用抽样分布对总体均值和比例进行点估计。置信区间你学会了构建置信区间来描述估计值的不确定性。假设检验你学会了进行假设检验以确定结果的统计显著性。后续学习展望 掌握了统计知识后你已经为接下来的课程做好了充分准备。在接下来的课程中你将以此为基础继续构建知识体系。下一门课程将为你的分析工具箱增添一个强大的新工具——一种名为回归的统计方法。此后你将有机会探索迷人的机器学习世界。课程交接与祝福 ✨我很高兴你将开始与下一位讲师合作。你可能还记得在本项目介绍视频中出现过的那位同事——在谷歌从事数据科学与营销交叉领域工作的Tiffany。Tiffany将为你详细讲解回归分析并帮助你朝着完成本项目、追求未来数据专业职业生涯的目标迈出下一步。很荣幸能陪伴你走过这段学习旅程。https://github.com/OpenDocCN/dsai-notes-pt1-zh/raw/master/docs/ggl-adv-dtanls-4/img/d067610cf1c7b5aaae23bd7908d6f35c_2.png祝愿你在下一阶段及未来的旅程中一切顺利。祝你好运。