Summary  
This chapter demonstrates printing the first rows of a dataset and matching each column with its statistical data type.

General domain of usage  
IT salary data analysis

I denne delen skal vi analysere et utvalg av lønninger for IT-spesialister. Start med å undersøke de fem første observasjonene i datasettet:

- `work_year` - året lønnen ble utbetalt;
- `experience_level` - erfaringsnivå: EN er Entry-level, MI er Mid-level, SE er Senior-level, EX er Executive level;
- `job_title` - navnet på stillingen;
- `salary` - lønnsbeløpet;
- `salary_currency` - valutaen lønnen er oppgitt i;
- `salary_in_usd` - lønnsbeløpet i USD;
- `company_location` - selskapets beliggenhet;
- `company_size` - selskapets størrelse: S-Small, M-Medium, L-Large.

Nå følger en gjennomgang av datatyper i statistikk, etterfulgt av en oppgave der du skal matche hvert kolonnenavn med tilhørende datatype.

Dette kurset gir deg grunnleggende kunnskap om statistikk. Det er ment for studenter med grunnleggende kjennskap til Python-syntaks, da de vil arbeide med NumPy- og pandas-modulene. I løpet av kurset vil du bli kjent med de grunnleggende konseptene og deretter gradvis gå videre til mer komplekse begreper og oppgaver.

Denne delen vil hjelpe oss med å håndtere det første reelle statistiske tilfellet: å finne konfidensintervaller. Det krever kunnskap om NumPy, pandas, Matplotlib og Seaborn-biblioteket for å beregne matematiske formler og lage visualiseringer. For å motivere deg til å gjennomføre denne delen, vil jeg påpeke at du vil møte en liten mengde teori, men en betydelig mengde praksis!

En uatskillelig del av en dataanalytikers hverdag er å gjennomføre hypotesetesting. Etter å ha fullført denne delen vil du forstå ideen bak testing i statistikk og kunne utføre en t-test ved hjelp av Python.

Undersøk Datasettet

Awesome!

Undersøk Datasettet