数据科学家须具备与统计学有关的基本概念。它是生成高质量模型所需的主要概念之一。统计数据是分析数据集以识别其独特数学特征的过程。机器学习从统计开始，然后进一步发展。均值、中位数、模态、方差、平均值和标准偏差用于描述数据集。统计方法主要有两种:描述性统计和推理统计。

之后是不同的概率分布，总体，CLT，样本，峰度和偏度。具有先进的概率和统计学数据科学家的能力，人们可以很容易地将贝叶斯统计等实践集成到指导中

数据科学家通常会在数据预处理上投入更多时间。这需要对统计学有透彻的理解。在处理任何数据时，总是需要执行一些常规步骤。

数据处理从开始到结束的完整周期中，每一步都有统计的要求。这就是为什么一个好的统计学家可以成为一个好的数据科学家也

统计学是数学分析的一种形式，它对给定的实验数据或现实研究使用量化的模型和表示。统计学的主要优点是信息以一种简单的方式呈现。

在这里，我已经解释了基本的统计学概念，也是必不可少的数据科学家技能。

描述性分析告诉我们过去发生了什么，并通过提供上下文来帮助利益相关者解释信息，帮助企业了解它是如何执行的。

诊断分析使描述性数据更进一步，并帮助数据科学家的能力去理解过去为什么会发生某事。

预测分析预测未来最有可能发生的事情，并根据这些信息为公司提供可操作的见解。

规范的分析提供有关将利用预测的行动的建议，并指导可能的行动以实现解决方案。

概率

概率是理解可能性的基本要求。首先，让我们举一个非常基本的例子——a队在足球比赛中战胜b队的概率是多少?要得到这个答案，我们可能需要100人给出他们各自的投票——样本数量。根据这些投票，我们就有机会知道哪支球队能赢得比赛。

但是，在这个例子中，我们遇到了另一个非常重要的概念，即抽样——确定正确的一组人为结果投票。所以，概率是事件是否发生的概率。根据不同的场景，我们可以构建不同的解决方案。

概率是随机实验中某一事件发生的可能性的度量。

变化

当我们谈到数据的各种变化时。他们还谈到了数据的失真、错误和移位。随着数据的变化，数据的范围，数据之间的关系。所有这些都说明了数据的可变性。这里需要理解的一些关键术语是-方差，范围，标准偏差，误差偏差，协方差，相关性，因果关系等。

方差:值与平均值的平均平方差，用于衡量一组数据相对于平均值的分布情况。

标准偏差:每个数据点与平均值和方差平方根之间的标准差。

百分位数:一种度量，表示一组观测值中某一给定百分比的观测值低于该值。

分位数:将数据点数分为四个或多或少相等的部分或四分之一的值。

范围:数据集中最低值的差值。