نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره مهمترین جنبه های تجزیه و تحلیل داده های اکتشافی را با استفاده از آمارهای مختلف تک متغیره ، دو متغیره و چند متغیره از اکسل و پایتون ، از جمله استفاده از طبقه بندی Naive Bayes و Seaborn برای تجسم روابط ، پوشش می دهد. علم داده و مدل سازی داده ها به سرعت به عنوان قابلیت های اساسی ظاهر می شوند که این روزها باید هر بنگاه اقتصادی و هر تکنسینی داشته باشد. سازمانهای مختلف به طور فزاینده ای از همان مدلها و ابزارهای مدل سازی یکسان استفاده می کنند ، بنابراین آنچه تفاوت می کند نحوه اعمال این مدلها بر روی داده ها است. بنابراین ، بسیار مهم است که شما اطلاعات خود را به خوبی بشناسید. در این دوره ، جمع بندی داده ها و احتمالات کسر ، شما توانایی جمع بندی داده های خود را با استفاده از آمارهای تک متغیره ، دو متغیره و چند متغیره در طیف وسیعی از فناوری ها بدست خواهید آورد. ابتدا یاد خواهید گرفت که چگونه می توان میانگین و میانگین گرایش را در Microsoft Excel و Python محاسبه کرد. در مرحله بعدی ، خواهید فهمید که چگونه از همبستگی ها و کوواریانس ها برای کاوش در روابط دو به دو استفاده کنید. سپس خواهید دید که چگونه می توان آن ساختارها را با استفاده از ماتریسهای کوواریانس و همبستگی به چند متغیر تعمیم داد. شما می توانید قضیه Bayes ، یکی از قدرتمندترین و پرکاربردترین نتایج در احتمال ، را برای ساخت یک طبقه بندی محکم درک کرده و از آن استفاده کنید. سرانجام ، شما از Seaborn ، یک کتابخانه تجسم ، برای نمایش آماری بصری استفاده خواهید کرد. پس از پایان این دوره ، مهارت و دانش لازم برای استفاده از آمار توصیفی تک متغیره ، متغیر و چند متغیره از اکسل و پایتون برای یافتن روابط و محاسبه احتمالات را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
درک آمار توصیفی برای تجزیه و تحلیل داده ها
Understanding Descriptive Statistics for Data Analysis
-
بررسی اجمالی ماژول
Module Overview
-
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
-
درک آمار توصیفی
Understanding Descriptive Statistics
-
اقدامات تمایل و پراکندگی مرکزی
Measures of Central Tendency and Dispersion
-
درک واریانس
Understanding Variance
-
اندازه گیری روابط با استفاده از کوواریانس
Measuring Relationships Using Covariance
-
ماتریس کوواریانس و ماتریس همبستگی
Covariance Matrices and Correlation Matrices
انجام تجزیه و تحلیل داده های اکتشافی در صفحات گسترده
Performing Exploratory Data Analysis in Spreadsheets
-
بررسی اجمالی ماژول
Module Overview
-
کار با کتابهای اکسل
Working with Excel Workbooks
-
آمار توصیفی برای داده های تک متغیره
Descriptive Statistics for Univariate Data
-
تجسم آمار یک متغیره
Visualizing Univariate Statistics
-
استفاده از جداول محوری برای خلاصه آمار
Using Pivot Tables for Summary Statistics
-
انجام تجزیه و تحلیل با استفاده از Bucketing و Pivot Charts
Performing Analysis Using Bucketing and Pivot Charts
-
تجسم روابط دو متغیره
Visualizing Bivariate Relationships
-
انجام تحلیل رگرسیون بر روی داده های دو متغیره
Performing Regression Analysis on Bivariate Data
-
ماتریسهای کوواریانس و همبستگی برای داده های چند متغیره
Covariance and Correlation Matrices for Multivariate Data
-
تجسم داده های چند متغیره با استفاده از نمودارهای محوری
Visualizing Multivariate Data Using Pivot Charts
-
تحلیل رگرسیون با داده های چند متغیره
Regression Analysis with Multivariate Data
-
خلاصه ماژول
Module Summary
جمع بندی داده ها و استنباط احتمالات با استفاده از پایتون
Summarizing Data and Deducing Probabilities Using Python
-
بررسی اجمالی ماژول
Module Overview
-
شروع به کار با Azure Notebooks
Getting Started with Azure Notebooks
-
محاسبه آمار توصیفی با استفاده از پایتون
Calculating Descriptive Statistics Using Python
-
محاسبه آمار توصیفی با استفاده از کتابخانه های پایتون
Calculating Descriptive Statistics Using Python Libraries
-
محاسبه Skewness Kurtosis و تجسم های ساده
Calculating Skewness Kurtosis and Simple Visualizations
-
تجزیه و تحلیل دو متغیره
Bivariate Analysis
-
رگرسیون ساده بر روی داده های دو متغیره با استفاده از Scipy
Simple Regression on Bivariate Data Using Scipy
-
رگرسیون در داده های چند متغیره با استفاده از Statsmodels و scikit-learn
Regression on Multivariate Data Using Statsmodels and scikit-learn
-
خلاصه ماژول
Module Summary
درک و تطبیق قانون Bayes
Understanding and Applying Bayes' Rule
-
بررسی اجمالی ماژول
Module Overview
-
شهود پشت قضیه بیز
Intuition behind Bayes' Theorem
-
احتمالات پیشینی و مشروط برای طبقه بندی داده ها
A Priori and Conditional Probabilities to Classify Data
-
استفاده از قضیه بیز برای پیش بینی
Applying Bayes' Theorem to Make Predictions
-
محاسبه احتمالات پیشین بقا در تایتانیک
Calculating a Priori Probabilities of Survival on the Titanic
-
استفاده از قانون Bayes با استفاده از طبقه بندی Naive Bayes
Applying Bayes' Rule Using the Naive Bayes Classifier
-
خلاصه ماژول
Module Summary
تجسم داده های احتمالی و آماری با استفاده از Seaborn
Visualizing Probabilistic and Statistical Data Using Seaborn
-
بررسی اجمالی ماژول
Module Overview
-
درک تخمین تراکم هسته
Understanding Kernel Density Estimation
-
نمودارهای هیستوگرام ، نمودارهای KDE و نمودارهای فرش برای تجزیه و تحلیل تک متغیره
Histograms, KDE Plots, and Rug Plots for Univariate Analysis
-
نمودارهای پراکندگی ، نمودارهای مشترک ، نمودارهای Hexbin برای تجزیه و تحلیل تک متغیره
Scatter Plots, Joint Plots, Hexbin Plots for Univariate Analysis
-
تحلیل رگرسیون بر روی داده های دو متغیره
Regression Analysis on Bivariate Data
-
نمایش روابط به صورت جفتی با استفاده از Pairplot و Pairgrid
Representing Pairwise Relationships Using the Pairplot and Pairgrid
-
تجسم داده های دسته بندی با استفاده از نمودارهای Strip و نمودارهای Swarm
Visualizing Categorical Data Using Strip Plots and Swarm Plots
-
تجسم داده ها با استفاده از طرح جعبه و طرح ویولن
Visualizing Data Using Box Plots and Violin Plots
-
تجسم داده های دسته بندی با استفاده از نمودارهای میله ای ، نمودارهای نقطه ای و نمودارهای Cat
Visualizing Categorical Data Using Bar Plots, Point Plots, and Cat Plots
-
خلاصه و مطالعه بیشتر
Summary and Further Study
نمایش نظرات