Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
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
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.
نمایش نظرات
نظری ارسال نشده است.