SSkilnexa
SkillGiáo dụcHợp với: Nhà khoa học dữ liệuMức: Kỹ thuật

Nhà khoa học dữ liệu cao cấp: thống kê và mô hình dự đoán

senior-data-scientist

Thiết kế thử nghiệm A/B, phân tích nhân quả, xây đặc trưng, huấn luyện và đánh giá mô hình, theo dõi bằng MLflow, dùng Python, R, SQL.

Tải miễn phí. Theo dõi Skilnexa một lần là mở khoá mọi lượt tải trên web.

Nút theo dõi đang được chuẩn bị.
Link tải đang được chuẩn bị.

Nó là gì

Bộ mã Python mẫu và danh sách kiểm tra cho thử nghiệm A/B, kỹ thuật đặc trưng, mô hình dự đoán và phân tích nhân quả, dành cho nhà khoa học và phân tích dữ liệu.

Hoạt động ra sao

AI đưa mã mẫu đúng với bài toán bạn đang có, ví dụ tính cỡ mẫu cho thử nghiệm hai nhánh, hoặc chia dữ liệu và đánh giá mô hình bằng AUC. Nó kèm danh sách kiểm tra như lệch tỷ lệ mẫu và chống rò rỉ dữ liệu. Đầu ra là mã và các bước kiểm tra để chạy lại.

Ví dụ ứng dụng

Tình huống
Cửa hàng online muốn biết nút đặt hàng mới có làm tăng tỷ lệ mua thêm 5% so với mức hiện tại 10% không.
Bạn đưa vào
Tỷ lệ mua hiện tại (10%), mức tăng tương đối tối thiểu muốn phát hiện (5%), và số khách mỗi nhánh.
Bạn nhận được
Cỡ mẫu cần cho mỗi nhánh, và sau khi chạy: mức tăng, khoảng tin cậy 95% và kiểm tra lệch tỷ lệ mẫu.

Ví dụ minh họa theo quy trình trong tài liệu gốc, chưa phải kết quả thử chạy.

Dùng khi nào

Khi cần xây mô hình dự đoán khách bỏ đi và đánh giá nó đúng cách.

Các phần chính trong hướng dẫn

  1. Thiết kế thử nghiệm A/B
  2. Xây đường xử lý đặc trưng
  3. Huấn luyện, đánh giá, chọn mô hình
  4. Suy luận nhân quả kiểu khác biệt kép
  5. Xem tài liệu tham khảo
  6. Dùng các lệnh thường gặp
Xem mô tả gốc của tác giả (tiếng Anh)

World-class senior data scientist skill specialising in statistical modeling, experiment design, causal inference, and predictive analytics. Covers A/B testing (sample sizing, two-proportion z-tests, Bonferroni correction), difference-in-differences, feature engineering pipelines (Scikit-learn, XGBoost), cross-validated model evaluation (AUC-ROC, AUC-PR, SHAP), and MLflow experiment tracking — using Python (NumPy, Pandas, Scikit-learn), R, and SQL. Use when designing or analysing controlled experiments, building and evaluating classification or regression models, performing causal analysis on observational data, engineering features for structured tabular datasets, or translating statistical findings into data-driven business decisions.

Chi tiết tính năng

  • from sklearn.model_selection import StratifiedKFold, cross_validate
  • from sklearn.metrics import make_scorer, roc_auc_score, average_precision_score
  • import xgboost as xgb
  • "roc_auc": make_scorer(roc_auc_score, needs_proba=True),
  • "avg_prec": make_scorer(average_precision_score, needs_proba=True),

Cùng nhóm Giáo dục

Phần giải thích do Skilnexa viết sau khi đọc toàn bộ tài liệu gốc của tác giả và đã đối chiếu lại với nội dung gốc. Chưa phải kết quả thử chạy, nên hãy thử bằng dữ liệu giả trước khi dùng cho việc thật.