dmshar

Не понял, вы предлагаете за вас сделать домашнее задание? Или в вкратце тут изложить вам теорию непараметрических критериев различия? Или построить за вас коррелограмму (?) прованговав, каким языком программирования вы владеете? Может, вы хотите, что-бы мы вместо вас "разобрались в вашем предмете"? Какую именно помощь от нас вы желаете получить?
P.S. На всякий случай напоминаю, тут НЕ сайт выполнения домашних заданий нерадивых студентов.

Построить линию линейной регрессии. По знаку коэффициента a ( в некоторых книгах он называется коэффициентом b1, в общем - это коэффициент при Х ) определяется возрастающий или ниспадающий тренд у набора.
В Python, в библиотеке sklearn для этих целей есть функция LinearRegression.
На самом деле, самое трудное - определить то, что вы очевидно назвали "flat" - т.е. отсутствие тренда. Для этого мало определить сам указанный коэффициент, но надо посчитать его доверительный интервал и понять, захватывает-ли он 0.

1."опыт написания фронта, опыт it рекрутера." - накакого отношения в Data Science. От слова "совсем".
2. "Учился в техническом вузе по инженерной специальности, но спустя год осознал, что сама эта специальность не для меня." - т.е. недоучился? Кстати, если нет склонности к инженерным специальностям, откуда уверенность, что есть склонность к "Data Science"? Замечу, "хотелось бы стать" и "имею склонность к" - это очень разные вещи.
3. "Математику знаю и понимаю хорошо" - откуда эта уверенность? Из школы? Или из универа в котором недоучились? Какие курсы математики все-таки "дослушали", какие успехи?
4. "невнимательность при вычислениях." - Вообще-то говоря, DS - это не вычисления. Вернее, вычисление сегодня выполняют хорошо известные реализации методов в разных пакетах. DS - это прежде всего умение разобраться в методах, понять их суть, ограничения, особенности и пр. , умение отобразить данные предметной области на абстрактные математические методы а потом проинтерпретировать полученные результаты в терминах предметной области.
5. "Хочу попробовать развиваться в нем. " - хочется - развивайся. В чем проблема? Получить благословение сообщества? Зачем? Если человеку что-то действительно чего-то хочется, то он берет и делает это. Иначе это выглядит как поиск оправдания того, почему "мне хочется, но я этим заниматься не буду".
6. "Не помешает ли отсутствие профильного образования?" - помешает. Ну и ? Если хочется развиваться в этом направлении, то "профильное образование" все равно придется получать. Любым способом - в универе, на курсах, самостоятельно. Но получать придется. А как без него? Не обижайтесь, но DS - это не рекрутинг. Это гораздо серьезнее.
7. "Не помешает ли особенности моего импульсивного порой мышления?" - Знаю спецов в DS с очень разным типом мышления. Еще раз вынужден повторить - не ищите отмазки "почему не надо этого делать".
8. "Английский на неплохом уровне, но тяжко будет воспринимать англо-техническую речь" - на первом - а возможно и на всех последующих - этапах говорить на английском вам не придется, это точно. Воспринимать - ну разве что решите заниматься через запись на англоязычные обучающие курсы. Тут уж как захотите - в инете полно материалов - курсов, книг, блогов, форумов - и на русском, а в университете вряд-ли придется учится на английском. А вот чтение и понимание написанного английского - это таки обязательное условия вхождения в эту специальность. Иначе перспективы ваши в ней будут не интересней перспектив в рекрутинге.
9. "А с чего, собственно, начать? Есть ли какие-то рекомендации по книгам/курсам. " - вот этого - навалом, даже на этом форуме. Настолько навалом, что даже не хочется в 254 раз повторять одно и то-же. Так что ищите, найдете. Надеюсь, Гууглом пользоваться умеете. Или хотя-бы просто пройтись по "Похожим вопросам" внизу. Но вот пользуясь случаем хочу еще раз подчеркнуть - основное умение специалиста по Data Science - это умение и навыки самостоятельного поиска, анализа и инетрпретации информации. Благо источники ее сегодня доступны для любого, у кого есть доступ к интернет.
Удачи.

Вот вам информация:
https://serialmentor.com/dataviz/
https://www.kdnuggets.com/2018/08/data-visualizati...
www.marketing.spb.ru/lib-around/stat/visualization.htm
czrt.by/notes/dataviz-tools.html
www.infocaptor.com/dashboard/charting-engines-vs-a...
https://texterra.ru/blog/diagrammy-i-grafiki-dlya-...
https://www.displayr.com/8-types-of-online-dashboa...
https://habr.com/ru/company/ods/blog/323210/
https://python-graph-gallery.com/
https://www.analyticsvidhya.com/blog/2017/07/data-...
https://www.datasciencecentral.com/profiles/blogs/...

Не могу понять, это праздный вопрос - т.е. шли по улице, вдруг осенило - "а как это сделать"? Дай-ка спрошу у сообщества. Или этот вопрос - результат попыток глубоко изучения соответствующих книг и сайтов и непонимания каких-то вычитанных там сложнейших выкладок? Вот что заставляет задать вопрос даже не Гууглу, а на сайте? Вопрос, ответы на который есть на первых страницах ЛЮБОЙ книги для начинающих изучать статистику.
Ну, если вдруг вас уже отключили от Гуугла и интернет у вас отказался работать подсказываю, что гипотезы относительно математического ожидания двух нормальнораспределенных выборок проверяются с помощью T-критерия Стьюдента.
Проверка нулевой гипотезы о равенстве долей выполняется т.н. Z-критерием, являющимся модификацией предыдущего.
Рекомендую вот такую книгу для начального ознакомления:
С. Гланц Медико-Биологическая Статистика.
Вообще-то она есть в свободном доступе в сети, но если у вас проблемы с интернет - тогда точно, в библиотеку.

Если вас интересует серьезное изучение темы, то даю наводку. Официально это называется "Теория многомерного шкалирования". Есть учебники (например - Толстова Ю.Н. Основы многомерного шкалирования - гууглится элементарно), предмет изучается в университете на соответствующих специальностях. Поскольку эта теория используется в основном гуманитариями (психологами, экономистами и пр), то изложение весьма простое.

А вот если интересует подход на основе современной Data Science, то в принципе выше вам почти все правильно написали. Но я бы во-первых, попросил уточнить, вам действительно надо "процент соответствия лучшей" или все-таки задача стоит вновь поступающему описанию придать одну из пяти описанных ранговых(оценок)? Это несколько меняем алгоритм решения. Однако в любом случае, это точно "обучение с учителем. Почти классическая задача Классификации или Регрессии - зависимости от ответа на поставленный вопрос. В принципе - (почти) любой алгоритм подойдет. Если данных не очень много, и нет абсолютной уверенности в их непротиворечивости - то подход на основе деревьев. Тогда во-первых можно обойтись без нормализации (все равно количественных данных у вас аж одно), а во-вторых - использовать совершенно стандартные модули библиотеки scikit-learn.
Но конечно, обучающих элементов чем больше - тем лучше.