Recomiendo ver conferencias sobre estadísticas y pruebas de hipótesis en EdX o Coursera.
Si tiene alguna idea del tipo de análisis de datos que realizará en su laboratorio o durante sus rotaciones, puede intentar concentrarse en esos métodos. Para obtener datos con picos, es posible que desee leer sobre la clasificación de picos. Conocer correlaciones, matrices de covarianza, correlogramas, etc. será útil. No intente leer sobre las últimas técnicas sofisticadas hasta que comprenda la regresión, la correlación y los modelos lineales generalizados. También será útil comprender los valores de p: lea sobre la prueba t de Student y ANOVA. Incluso Wikipedia a menudo puede ser un buen punto de partida, después del cual puede buscar el material del curso que mejor se adapte a sus necesidades.
Hay bastantes recursos disponibles para las estadísticas, ¡así que solo google! El material del curso universitario es tu mejor apuesta. No estoy seguro sobre el diseño experimental: puede haber un curso abierto por ahí.
- ¿Qué papel deberían jugar los estadísticos en la ciencia de datos?
- ¿Cuáles son los métodos de normalización de datos más comunes utilizados en el aprendizaje automático?
- ¿Qué lenguaje de programación debo aprender para comenzar primero con mi ruta autodidacta de Data Scientist: R o Python?
- ¿Vale la pena aprender sobre ciencia de datos?
- ¿Qué es la "ciencia" en ciencia de datos? ¿Se trata exclusivamente de la ciencia de monetizar grandes datos, o también hay un aspecto de no negocios?