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.
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
- Thiết kế thử nghiệm A/B
- Xây đường xử lý đặc trưng
- Huấn luyện, đánh giá, chọn mô hình
- Suy luận nhân quả kiểu khác biệt kép
- Xem tài liệu tham khảo
- 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
- Thử cố ý gây lỗi để kiểm tra độ bền hệ thốngLập kế hoạch thí nghiệm gây lỗi có kiểm soát, tính phạm vi ảnh hưởng, tạo báo cáo sau sự cố. Có công cụ Python và lệnh /chaos-experiment.
- Huấn luyện bạn dùng Claude thành thạoDạy bạn dùng Claude hiệu quả hơn, cho một mẹo mỗi lượt khi thấy yêu cầu mơ hồ hoặc việc có thể tự động. Chấm điểm lệnh bạn viết và viết lại; xem tiến bộ khi hỏi.
- Tự phân loại email và soạn nháp trả lờiChạy theo lịch 1 đến 3 lần mỗi ngày hoặc khi gọi: phân loại email mới, tìm hiểu người gửi lạ, đề xuất quyết định, soạn nháp trả lời (không bao giờ tự gửi) và báo cáo gọn.
- Điều khiển Google NotebookLM bằng trình duyệtĐiều khiển NotebookLM qua tự động hóa trình duyệt: mở và hỏi sổ tay, thêm nguồn, tạo bản tổng hợp âm thanh/video, bản đồ tư duy, báo cáo, thẻ ghi nhớ, bài kiểm tra, slide.
- Thiết kế gói chào bán hấp dẫnGiúp dựng hoặc cải thiện thứ bạn bán: trình bày giá trị, gộp quà tặng, thiết kế bảo đảm, tạo khan hiếm, đặt tên và cách trả tiền, hợp cho dịch vụ, khóa học, huấn luyện.
- Quyết định giá bán và cách chia góiGiúp quyết định mức giá, chia gói, thử miễn phí và cách thu tiền. Trả lời "nên thu bao nhiêu", "có nên có gói miễn phí", "giá năm hay tháng".
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.