Data Scientist — Podstawy Statystyki i Prawdopodobieństwa
Your 7-Day Learning Journey
0 of 7 days completed
Your Learning Path is Saved!
We're tracking your progress automatically. Create a free account to permanently save this learning path and access advanced features like detailed analytics and personalized recommendations.
What you'll learn:
[Description] - **Opis:** Zaczynamy od podstaw! Dowiesz się, czym jest statystyka, jej zastosowania w Data Science i dlaczego jest kluczowa. Poznasz podstawowe pojęcia, takie jak populacja, próba, zmienne (kategoryczne, ilościowe) oraz rodzaje danych. Przyjrzymy się, jak statystyka pomaga w podejmowaniu decyzji w świecie biznesu. - **Konkretne zasoby lub działania:** - Przeczytanie artykułu wprowadzającego na temat statystyki w Data Science (np. na platformach takich jak Towards Data Science, Medium). - Obejrzysz krótki filmik na YouTube (np. "Statystyka dla początkujących" – poszukaj kanałów edukacyjnych w języku polskim). - Wykonanie prostego ćwiczenia: identyfikacja zmiennych w podanym zbiorze danych (np. opis tabeli danych z raportu GUS). - **Oczekiwane rezultaty:** Zrozumienie podstawowych pojęć statystycznych i motywacja do dalszej nauki. Umiejętność rozróżniania typów zmiennych i rozumienie ich znaczenia.
Personal Notes:
What you'll learn:
[Description] - **Opis:** W tym dniu skupimy się na statystyce opisowej. Nauczysz się obliczać miary tendencji centralnej (średnia, mediana, moda), miary rozproszenia (wariancja, odchylenie standardowe, zakres) i interpretować je. Zrozumiesz, jak wizualizować dane za pomocą wykresów (histogramy, wykresy pudełkowe) i dlaczego wizualizacja jest tak ważna. - **Konkretne zasoby lub działania:** - Praca z arkuszem kalkulacyjnym (np. Google Sheets, Microsoft Excel): obliczanie miar opisowych na przykładzie prostego zbioru danych (np. wyniki testów uczniów). - Obejrzysz tutoriale online dotyczące tworzenia wykresów w arkuszu kalkulacyjnym. - Wykonanie ćwiczenia: obliczenie miar opisowych dla zestawu danych i narysowanie prostych wykresów. - **Oczekiwane rezultaty:** Umiejętność obliczania i interpretacji podstawowych miar opisowych i tworzenia prostych wizualizacji danych.
Personal Notes:
What you'll learn:
[Description] - **Opis:** Czas na prawdopodobieństwo! Poznasz podstawowe pojęcia, takie jak zdarzenie, przestrzeń zdarzeń, prawdopodobieństwo klasyczne. Nauczysz się obliczać prawdopodobieństwo dla prostych zdarzeń i rozumieć, jak prawdopodobieństwo jest związane z analizą danych. Poznasz pojęcia prawdopodobieństwa warunkowego i niezależności zdarzeń. - **Konkretne zasoby lub działania:** - Przeczytanie artykułu lub rozdziału z podręcznika wprowadzającego do prawdopodobieństwa (np. "Matematyka dyskretna" lub "Wprowadzenie do teorii prawdopodobieństwa"). - Rozwiązanie prostych zadań z prawdopodobieństwa (np. rzut kostką, losowanie kart z talii). - Obejrzysz filmik edukacyjny na temat podstaw prawdopodobieństwa. - **Oczekiwane rezultaty:** Zrozumienie podstawowych pojęć z zakresu prawdopodobieństwa i umiejętność obliczania prawdopodobieństwa dla prostych zdarzeń.
Personal Notes:
What you'll learn:
[Description] - **Opis:** Przejdziemy do rozkładów prawdopodobieństwa. Poznasz rozkład normalny (Gaussa) – jego znaczenie i zastosowanie. Zrozumiesz, jak rozkłady prawdopodobieństwa modelują zjawiska losowe i jak są używane w Data Science. Zaznajomisz się z rozkładem dwumianowym i pojęciem zmiennej losowej. - **Konkretne zasoby lub działania:** - Przeczytanie artykułu na temat rozkładu normalnego (np. w kontekście rozkładu wzrostu ludzi). - Symulacja rzutu kostką i tworzenie histogramu, aby zilustrować rozkład prawdopodobieństwa. - Obejrzysz wizualizacje rozkładu normalnego i innych rozkładów na platformie edukacyjnej (np. Desmos). - **Oczekiwane rezultaty:** Zrozumienie pojęcia rozkładu prawdopodobieństwa, w szczególności rozkładu normalnego, oraz umiejętność interpretacji jego parametrów.
Personal Notes:
What you'll learn:
[Description] - **Opis:** Statystyka inferencyjna to kluczowy element Data Science. Dowiesz się, czym jest wnioskowanie statystyczne, jak przeprowadzać testy hipotez (zerowa, alternatywna), i czym jest poziom istotności. Poznasz pojęcie przedziałów ufności. - **Konkretne zasoby lub działania:** - Przeczytanie artykułu wprowadzającego do statystyki inferencyjnej. - Przeanalizujesz przykładowy test hipotez (np. test t-Studenta) na prostym zbiorze danych. - Obejrzysz film instruktażowy na temat testów hipotez i przedziałów ufności. - **Oczekiwane rezultaty:** Zrozumienie podstawowych pojęć statystyki inferencyjnej, umiejętność interpretacji wyników testów hipotez.
Personal Notes:
What you'll learn:
[Description] - **Opis:** Zaczniemy eksplorować zależność między zmiennymi. Poznasz pojęcie korelacji (współczynnik korelacji Pearsona) i regresji liniowej. Zrozumiesz, jak mierzyć siłę i kierunek zależności między zmiennymi. Zastosujesz to w praktycznym przykładzie. - **Konkretne zasoby lub działania:** - Przeczytanie artykułu na temat korelacji i regresji. - Obliczenie współczynnika korelacji Pearsona dla prostego zestawu danych (np. związek między wzrostem i wagą). - Wykonanie prostej regresji liniowej w arkuszu kalkulacyjnym. - **Oczekiwane rezultaty:** Zrozumienie pojęcia korelacji i regresji, umiejętność obliczania współczynnika korelacji i interpretacji wyników prostej regresji.
Personal Notes:
What you'll learn:
[Description] - **Opis:** Podsumowanie zdobytej wiedzy z całego tygodnia. Przegląd najważniejszych pojęć, powtórzenie zadań z poprzednich dni, oraz dyskusja o dalszych kierunkach rozwoju. Omówienie zasobów do dalszej nauki (kursy online, książki, platformy edukacyjne). - **Konkretne zasoby lub działania:** - Przegląd notatek i materiałów z poprzednich dni. - Rozwiązanie quizu lub testu podsumowującego. - Poszukiwanie informacji o kursach online (np. Coursera, Udacity, Udemy) i książkach dotyczących statystyki i prawdopodobieństwa dla Data Science. - Ustalenie planu dalszej nauki. - **Oczekiwane rezultaty:** Utworzenie solidnych fundamentów wiedzy z zakresu statystyki i prawdopodobieństwa. Jasny plan dalszego rozwoju w obszarze Data Science.
Personal Notes:
Share Your Learning Path
Help others discover this learning path