Parte do Journey de Machine LearningNovoJornadaEstatística para ciência de dados e machine learning
A estatística em que todo modelo se apoia, aprendida simulando e plotando em vez de decorar fórmulas. Python real com NumPy, pandas, SciPy e scikit-learn, e um gráfico em toda aula.
64 lições63 desafios265 perguntas de quiz
- Ideal para iniciantes
Ajuda de codificação com IA
Lições interativas e práticas
Questionários para testar seu conhecimento
Certificado grátis de conclusão
Programa
Esta seção faz parte do Journey de Machine Learning. O programa completo tem mais seções: clique em qualquer prévia abaixo para vê-la na página do Journey.
- Seção 1Dados e gráficos60 lições
Seção 2
Estatística para ML
Começar seçãoIniciarA estatística por trás de todo modelo: medidas de tendência central e dispersão, distribuições, probabilidade por simulação, amostras, valores atípicos, correlação, linhas de tendência e testes entre grupos; depois, escalonamento e codificação de atributos. Cada conceito é calculado com dados reais e representado em gráficos.Centro e dispersão
6 lições625Distribuições
6 lições625Probabilidade por Simulação
6 lições625Amostras e Populações
5 lições520Valores atípicos
5 lições520Relações
6 lições525Linhas de tendência
6 lições625Comparando grupos
6 lições625Escalonamento de Recursos
5 lições520Codificação de Categorias
4 lições415Explorando um conjunto de dados
5 lições520Desafios Finais
4 lições420- Seção 3Aprendizado supervisionado58 lições
- Seção 4Aprendizado não supervisionado51 lições
Aprenda Fazendo
Escreva código real, consulte bancos de dados, crie sites e domine prompts de IA. Nossas lições interativas cobrem todas as habilidades que desenvolvedores modernos precisam.
Construa Sua Sequência
Mantenha a consistência e veja seu progresso crescer! Acompanhe seu hábito diário de programação, proteja sua sequência com dias de congelamento e ganhe recompensas por aparecer todos os dias.
12 dias de sequência
Volte amanhã para manter sua sequência!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Tudo ou Nada
Dia 5 de 7
Congelar Sequência
2 left
Onde Quiser
Leve sua jornada de programação com você! Sem configuração, sem downloads: apenas abra e comece a programar. Disponível no iOS, Android e Web com avaliações de 4.9 estrelas.
Você Não Está Sozinho
Compita em placares globais, convide amigos para ganhar recompensas e celebre as conquistas uns dos outros. Programar é melhor com amigos!
1
2
3
Zona de promoçãoAprenda de todas as formas
Leia, ouça, teste-se, pergunte à IA ou consulte qualquer coisa que já tenha estudado. Cada lição se adapta a você.
Uma variável é um contêiner nomeado que armazena um valor que você pode referenciar depois.
Em Python, você cria uma escrevendo o nome, um sinal de igual e o valor que quer armazenar.
O valor pode mudar com o tempo. Reatribuir o nome simplesmente o aponta para um novo valor.
Seja Certificado
Ganhe certificados para cada curso que você completar. Adicione-os ao seu perfil do LinkedIn e currículo para mostrar sua experiência em programação aos empregadores.
Certificado de ConclusãoFundamentos de Python
Adicionar ao LinkedInPor que aprender estatística para ML com a Coddy
- Simule e depois veja. Jogue milhares de dados, tire milhares de amostras, embaralhe grupos milhares de vezes e veja o histograma se acomodar. Uma probabilidade é uma proporção que você consegue contar antes de virar fórmula.
- Toda aula tem um gráfico: histogramas de densidade com a curva normal por cima, boxplots com seus outliers, mapas de calor de correlação, linhas de tendência ajustadas. O seu próprio gráfico aparece na aba Gráficos quando você executa.
- A estatística que o machine learning realmente usa: média e mediana, dispersão e percentis, distribuições e escores z, amostragem, outliers, correlação, mínimos quadrados e R quadrado, p-valores e o teste t.
- Termina onde os modelos começam: padronização de features com
StandardScaler, codificação de categorias compd.get_dummiese um checklist para explorar um dataset novo antes de treinar qualquer coisa.
Perguntas frequentes sobre estatística para ciência de dados e ML
Quanta estatística é preciso saber para machine learning?
Menos do que muita gente teme. Para treinar e avaliar bem um modelo, você precisa ler centro e dispersão, saber o que são uma distribuição e um outlier, medir uma relação com correlação, ajustar uma reta e distinguir uma diferença real do acaso. É isso que esta seção ensina. Demonstrações e teoria da probabilidade pesada importam para pesquisa, não para usar bem o scikit-learn.
É a mesma estatística para ciência de dados?
Sim. Estatística descritiva, distribuições, amostragem, correlação, retas de regressão e testes de hipótese são o núcleo comum da estatística para ciência de dados e para machine learning. Os últimos capítulos puxam para os modelos, com padronização, codificação e exploração de um dataset antes do treino.
Preciso de cálculo ou álgebra linear?
Não. Tudo é ensinado com aritmética, simulações e gráficos. Onde existe uma fórmula, você a conhece como uma linha de código e uma imagem, e depois confere com uma simulação. Cálculo e álgebra linear passam a ser úteis mais tarde, se você quiser se aprofundar em como os algoritmos são construídos.
O que é um p-valor, em palavras simples?
stats.ttest_ind, o atalho em fórmula para a mesma pergunta.Quais bibliotecas de Python esta seção usa?
stats do SciPy para distribuições e testes, e scikit-learn para o StandardScaler. Todas são ensinadas na seção de visualização de dados com Python, que vem antes desta.Quanto tempo leva a seção de estatística?
64 aulas, cerca de 11 horas no seu ritmo: três a quatro semanas a meia hora por dia, incluindo quatro desafios finais com dados de cara real.
A seção de estatística é grátis?
Sim. As aulas, os gráficos, as dicas de IA e o certificado da seção são grátis. Uma conta gratuita avança algumas aulas por dia, e o Pro remove o limite diário.
