آموزش اجرای سیاست برای مقادیر گمشده در پایتون

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

پر کردن جاهای خالی: استراتژی های اساسی و انتساب های ساده Filling in the Blanks: Basic Strategies and Simple Imputations

• معرفی دوره و ماژول Course and Module Introduction

• داده های از دست رفته چیست و علت آن چیست؟ What Is Missing Data and What Causes It?

• تاثیر داده های از دست رفته The Impact of Missing Data

• چهارراه تصمیم - رها کردن یا نه؟ The Decision Crossroads – To Drop or Not?

• مقدمه ای بر Imputation Introduction to Imputation

• بررسی انتساب با میانگین Exploring Imputation with Mean

• متعادل کردن داده ها با میانه Balancing Data with Median

• Catering to Categoricals: Imputing with Mode Catering to Categoricals: Imputing with Mode

• راه حل های توالی: پر کردن به جلو و عقب Sequencing Solutions: Forward and Backward Fill

• نسخه ی نمایشی: مقدمه ای بر مجموعه داده Demo: Introduction to the Dataset

• نسخه ی نمایشی: تنظیم محیط شما Demo: Setting up Your Environment

• نسخه ی نمایشی: مقابله با داده های از دست رفته - قسمت 1 Demo: Dealing with Missing Data - Part 1

• نسخه ی نمایشی: مقابله با داده های از دست رفته - قسمت 2 Demo: Dealing with Missing Data - Part 2

• خلاصه ماژول Module Summary

فراتر از مبانی: پیمایش در پیچ و خم تلقین پیشرفته Beyond the Basics: Navigating the Maze of Advanced Imputation

• معرفی ماژول Module Introduction

• نسبت رگرسیون رونمایی شد Regression Imputation Unveiled

• چگونه رگرسیون جای خالی را پر می کند؟ How Does Regression Fill the Void?

• فراتر از رگرسیون: KNN و MICE Beyond Regression: KNN and MICE

• انتخاب تکنیک مناسب Choosing the Right Technique

• نسخه ی نمایشی: نسبت مقادیر گمشده عددی با استفاده از رگرسیون Demo: Imputation of Numerical Missing Values Using Regression

• خلاصه ماژول Module Summary