Lekcje ze statystyki, wykorzystanie w uczeniu maszynowym, naukach społecznych (np. psychologia) i ekonometrii.

Tłumaczę zagadnienia przede wszystkim tak, aby osoba, która ma ze mną lekcje zrozumiała materiał, wymaga to najpierw rozumienia treści przeze mnie, przy jednoczesnej uważności w wyjaśnianiu na to co w danym momencie potrzebne jest uczniowi: przykład / dokładniejsze omówienie / powtórzenie czy samodzielne przećwiczenie.

Mam 5 lat doświadczenia w zakresie narzędzi informatycznych, i kolejne 5 lat w finansach, w tym licencjat z finansów z 2016.

STATYSTKA:

• Rozkłady prawdopodobieństwa: rozkład normalny, t-Studenta, chi-kwadrat, F-Snedecora, dwumianowy, Poissona

• Statystyka opisowa: m.in. miary centralne, kwartyle, skośność i kurtoza, określanie obserwacji skrajnych

• Statystyka inferencyjna:- regresja liniowa,- regresja logistyczna

• Testowanie hipotez- szereg testów parametrycznych i nieparametrycznych- formułowanie hipotez,- poziom istotności, wartość p, błędy pierwszego i drugiego rodzaju, moc testu, przedział ufności

• Wizualizacja danych: histogramy, wykresy pudełkowe, wykresy rozrzutu i inne

UCZENIE MASZYNOWE:

• Modele:

DecisionTree ; RandomForest ; Naive Bayes ; XGBoost ; K-Clustering ; Linear & Logistics Regression

• Proces:

czyszczenie i analiza danych, trenowanie modelu, weryfikacja założeń modelu, walidacja, testowanie, obliczenie miar sprawdzających efektywność i ich interpretacja

PYTHON:

• Biblioteki do statystyki, analizy danych i machine learningu: Pandas, NumPy, Matplotlib, statsmodels, sklearn, scipy

• Podstawy tworzenia agentów AI i serwerów MCP

• Podstawy języka: pętle, zmienne, typy danych, struktury danych, instrukcje warunkowe, algorytmy, klasy, wyjątki, debugowanie

• Podstawy testowania, tworzenia dokumentacji, generownia logów

• Korzystanie z repozytorium wersji GIT i GitHub

• Łączenie z bazami danych

• Skrypty automatyzacji w Linux (m.in. biblioteka subprocess)