#How_to_заботать математическую статистику и AB тесты?
Обычно все советы по боту статистики включают лишь "Статистику и котики" да курс Карпова на степике, но эти материалы очень неподробные и их даже не хватит менджеру, чтобы докапываться на созвонах. Если же ваша цель затащить собес на аналитика, DSера или же поступить в ШАД, Ai Masters и тд, то здесь нужны материалы посерьезней.
По началу советую научиться решать стандартные задачи на определения по теории вероятностей, а лучше еще по анализу и линейной алгебре (см. #How_to_заботать). Этим можно заниматься параллельно с изучением статистики, но тогда будьте готовы, что некоторые вещи будут понятны далеко не сразу. Для начала советую освоить книжечку для экономистов, раздел статистики, чтобы скромно познакомиться с математическим аппаратом: помимо теории, есть примеры решения задач, а также упражнения, которые легко гуглятся. После советую обязательно решать задачник Черновой и параллельно смотреть лекции CSC (можно не вникать в доказательства). В Чернове нет некотрых тем, например логистической регрессии, их решаем в Ивченко. В дополнение есть семинары Рядновой, но новичкам будет сложно и бесполезно.
После освоения фундаментальных понятий, необходимо то же самое научиться решать и визуализировать в python. Для этого подойдет курс по прикладной статистике с notebookами на GitHub, который автор очень не аккуратно ведет! В комментариях для упражнений оставлю листочки с заданиями практикума Шкляева. В дополнение есть более подробный курс Муромской.
Овладев статистикой, пора научиться что-то анализировать и проводить те самые AB тесты. Здесь ничего содержательного в открытом доступе нет. Единственное остается советовать смотреть статьи в духе статей по AB тестам с Авито, рыскать пет проекты на GitHub, и упражняться на Data setах с Kaggle или вообще найти работу. Главное понимать, что анализ данных процесс творческий. Здесь нет готовых рецептов— как правило приходиться пробовать кучу разных оценок/тестов и смотреть что лучше. В дополнение к статистике полезно изучать Machine Learning, ибо очень многие темы даже классических кусов совпадают, да и по ML куда больше интересных материалов. Но о них поговорим в следующий раз, если этот пост соберет много огоньков и шэров (поделиться с другом), поэтому смело отправляем такую полезную подборку всем друзьям и врагам!
Также не забываем про наш курс по математической статистике и AB тестам.
Обычно все советы по боту статистики включают лишь "Статистику и котики" да курс Карпова на степике, но эти материалы очень неподробные и их даже не хватит менджеру, чтобы докапываться на созвонах. Если же ваша цель затащить собес на аналитика, DSера или же поступить в ШАД, Ai Masters и тд, то здесь нужны материалы посерьезней.
По началу советую научиться решать стандартные задачи на определения по теории вероятностей, а лучше еще по анализу и линейной алгебре (см. #How_to_заботать). Этим можно заниматься параллельно с изучением статистики, но тогда будьте готовы, что некоторые вещи будут понятны далеко не сразу. Для начала советую освоить книжечку для экономистов, раздел статистики, чтобы скромно познакомиться с математическим аппаратом: помимо теории, есть примеры решения задач, а также упражнения, которые легко гуглятся. После советую обязательно решать задачник Черновой и параллельно смотреть лекции CSC (можно не вникать в доказательства). В Чернове нет некотрых тем, например логистической регрессии, их решаем в Ивченко. В дополнение есть семинары Рядновой, но новичкам будет сложно и бесполезно.
После освоения фундаментальных понятий, необходимо то же самое научиться решать и визуализировать в python. Для этого подойдет курс по прикладной статистике с notebookами на GitHub, который автор очень не аккуратно ведет! В комментариях для упражнений оставлю листочки с заданиями практикума Шкляева. В дополнение есть более подробный курс Муромской.
Овладев статистикой, пора научиться что-то анализировать и проводить те самые AB тесты. Здесь ничего содержательного в открытом доступе нет. Единственное остается советовать смотреть статьи в духе статей по AB тестам с Авито, рыскать пет проекты на GitHub, и упражняться на Data setах с Kaggle или вообще найти работу. Главное понимать, что анализ данных процесс творческий. Здесь нет готовых рецептов— как правило приходиться пробовать кучу разных оценок/тестов и смотреть что лучше. В дополнение к статистике полезно изучать Machine Learning, ибо очень многие темы даже классических кусов совпадают, да и по ML куда больше интересных материалов. Но о них поговорим в следующий раз, если этот пост соберет много огоньков и шэров (поделиться с другом), поэтому смело отправляем такую полезную подборку всем друзьям и врагам!
Также не забываем про наш курс по математической статистике и AB тестам.