آموزش جمع بندی داده ها و استنتاج احتمالات

Summarizing Data and Deducing Probabilities

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

آموزش جمع بندی داده ها و استنتاج احتمالات
جزییات دوره
2h 48m
46
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
25
4.6 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.