آموزش تست کد علم داده پایتون

Testing Python Data Science Code

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره:
هر چه دنیای علم داده بزرگ‌تر و پیچیده‌تر شود، داده‌های بیشتری برای جمع‌آوری، مرتب‌سازی، تمیز کردن، مدل‌سازی و موارد دیگر وجود دارد. یک نکته دردناک در حال ظهور در این دنیای جدید شجاع این است که اگر شیوه های مهندسی داده و توسعه شما نامرغوب باشد، بسیاری از مشکلات ممکن است پیش بیاید. این دوره در سطح پیشرفته به دانشمندان داده، توسعه دهندگان پایتون و تحلیلگران داده نشان می دهد که چگونه کدهای علمی (علم داده) نوشته شده در پایتون را آزمایش کنند. مربی و مشاور کهنه‌کار علم داده، Miki Tebeka، تکنیک‌های تست را با تمرکز بر مسائل خاص کد علم داده، مانند خطاهای ممیز شناور، آزمایش‌های آماری، کار با مجموعه‌های داده بزرگ، انتخاب خط پایه و موارد دیگر پوشش می‌دهد. پس از ارائه یک نمای کلی تست، میکی به آزمایش با پای تست و فرضیه می پردازد. او نحوه استفاده از طرحواره ها، مقادیر صدق، آزمایش تقریبی و موارد دیگر را در اعتبارسنجی داده ها توضیح می دهد. Miki تست رگرسیون را انجام می دهد، سپس نحوه آزمایش نوت بوک های Jupyter را نشان می دهد.

سرفصل ها و درس ها

مقدمه Introduction

  • آزمایش کاربردهای علمی Testing scientific applications

  • آنچه شما باید بدانید What you should know

  • راه اندازی Setting up

1. بررسی اجمالی تست 1. Testing Overview

  • چرا تست؟ Why test?

  • انواع تست Types of tests

  • چالش ها در آزمایش کاربردهای علمی Challenges in testing scientific applications

  • نمای کلی یکپارچه سازی مداوم Continuous integration overview

  • امتحان فصل Chapter Quiz

2. pytest 2. pytest

  • بررسی اجمالی pytest pytest overview

  • انتخاب تست ها Selecting tests

  • تست های پارامتریزه Parametrized tests

  • وسایل Fixtures

  • مسخره Mocking

  • چالش: تست با pytest Challenge: Test with pytest

  • راه حل: با pytest تست کنید Solution: Test with pytest

  • امتحان فصل Chapter Quiz

3. فرضیه 3. hypothesis

  • مروری بر فرضیه Overview of hypothesis

  • آزمون با فرضیه Testing with hypothesis

  • ابزارهای NumPy NumPy utilities

  • خدمات پاندا pandas utilities

  • استراتژی های نوشتن Writing strategies

  • چالش: آزمون با فرضیه Challenge: Test with hypothesis

  • راه حل: آزمون با فرضیه Solution: Test with hypothesis

  • امتحان فصل Chapter Quiz

4. اعتبارسنجی داده ها 4. Data Validation

  • با استفاده از طرحواره ها Using schemas

  • ارزش های حقیقت Truth values

  • شگفتی های ممیز شناور Floating point wonders

  • تست تقریبی Approximate testing

  • برخورد با تصادفی بودن Dealing with randomness

  • مقایسه DataFrames پانداها Comparing pandas DataFrames

  • چالش: تست کد عددی Challenge: Testing numerical code

  • راه حل: تست کد عددی Solution: Testing numerical code

  • امتحان فصل Chapter Quiz

5. آزمون رگرسیون 5. Regression Testing

  • بررسی اجمالی تست رگرسیون Regression testing overview

  • انتخاب داده های رگرسیون Selecting regression data

  • انتخاب معیارهای کیفیت و پایه Choosing quality metrics and baseline

  • تست رگرسیون کیفیت Quality regression testing

  • انتخاب معیارهای سرعت و حافظه Choosing speed and memory metrics

  • تست رگرسیون عملکرد Performance regression testing

  • امتحان فصل Chapter Quiz

6. تست نوت بوک های Jupyter 6. Testing Jupyter Notebooks

  • بررسی اجمالی نوت بوک های تست Testing Notebooks overview

  • با استفاده از nbconvert Using nbconvert

  • کد بازسازی Refactoring code

  • سایر کتابخانه های آزمایشی Other test libraries

  • امتحان فصل Chapter Quiz

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

نظری ارسال نشده است.

آموزش تست کد علم داده پایتون
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
53m
46
Linkedin (لینکدین) lynda-small
10 شهریور 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
-
- از 5
ندارد
دارد
دارد
Miki Tebeka

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Miki Tebeka Miki Tebeka

مدیر عامل در 353Solutions

Miki Tebeka مدیرعامل 353Solutions است.

در کار خود در 353Solutions، Miki کارگاه های عملی ارائه می دهد که به متخصصان کمک می کند درک خود را از Python تقویت کنند. و برو. علاوه بر این، او خدمات مشاوره ای متناسب با تخصص در ساخت زیرساخت های کلان داده را ارائه می دهد. همانطور که کار او در 353Solutions نشان می دهد، او در Python and Go و همچنین C++، JavaScript، Clojure و موارد دیگر مهارت بالایی دارد.

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.