آموزش تجزیه و تحلیل داده های اکتشافی با پانداها و پایتون 3.x [ویدئو]

Exploratory Data Analysis with Pandas and Python 3.x [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: چگونه مهارت های تجزیه و تحلیل داده های خود را فراتر از اکسل به سطح بعدی ارتقا می دهید؟ با یادگیری کافی پایتون برای انجام کارها. این دوره آموزشی عملی به غیر برنامه نویسان نشان می دهد که چگونه اطلاعاتی را که در ابتدا خیلی نامرتب یا دسترسی به آنها دشوار است پردازش کنند. از طریق تمرین‌های مختلف گام به گام، یاد خواهید گرفت که چگونه داده‌ها را به‌طور کارآمد به دست آورید، تمیز کنید، تجزیه و تحلیل کنید و ارائه دهید. این دوره شما را از اصول پایتون برای کشف انواع مختلف داده ها می برد. در طول دوره، شما با مجموعه داده های دنیای واقعی برای بازیابی اطلاعات از داده ها کار خواهید کرد. شما در معرض انواع مختلف ساختار داده و مشکلات مربوط به داده ها قرار خواهید گرفت. شما یاد خواهید گرفت که چگونه داده ها را برای تجزیه و تحلیل آماده کنید، تجزیه و تحلیل های آماری ساده انجام دهید، تجسم داده های معنی دار ایجاد کنید، روندهای آینده را از داده ها پیش بینی کنید، و موارد دیگر! همه فایل‌های کد و فایل‌های مرتبط در GitHub در این لینک قرار داده شده‌اند https://github.com/PacktPublishing/Exploratory-Data-Analysis-with-Pandas-and-Python-3.x [*] درک خود را از توصیفی بهبود دهید. آمار و اعمال آنها بر روی یک مجموعه داده [*] نحوه برخورد با داده های از دست رفته و موارد دورافتاده را برای رفع تناقضات داده ها بیاموزید [*] تکنیک های مختلف تجسم برای تجزیه و تحلیل دو متغیره و چند متغیره را کاوش کنید [*] مهارت های برنامه نویسی خود را تقویت کنید و به کاوش و تجسم داده ها در پایتون مسلط شوید [*] تکنیک های تحلیل و کاهش چند بعدی را بیاموزید [*] تسلط بر تکنیک های تجسم پیشرفته (مانند نقشه های حرارتی) برای تجزیه و تحلیل بهتر و گسترش سریع درک خود. همچنین، هرکسی که بخواهد از تجزیه و تحلیل داده ها/یادگیری ماشینی برای غنی سازی پروژه های شخصی یا حرفه ای فعلی خود استفاده کند نیز از این دوره بهره مند خواهد شد. تجربه اولیه برنامه نویسی پایتون قبل از شروع دوره مورد نیاز است. [*]بنای محکمی در تجزیه و تحلیل داده ها ایجاد کنید و آن را در مجموعه داده های دنیای واقعی اعمال کنید * [*]هر بخش یک معیار کلیدی برای کاوش یک مجموعه داده معین را بررسی می کند و شامل یک مطالعه موردی برای تقویت موضوعاتی است که آموخته اید * [*]Master بسته های مختلف کاوش و تجسم داده ها در پایتون و اعمال دانش خود در هر مجموعه داده دنیای واقعی

سرفصل ها و درس ها

آمار توصیفی Descriptive Statistics

  • بررسی اجمالی دوره The Course Overview

  • معیارهای اساسی آماری Basic Statistical Measures

  • واریانس و انحراف معیار Variance and Standard Deviation

  • تجسم اندازه گیری های آماری Visualizing Statistical Measures

  • محاسبه صدک Calculating Percentiles

  • ربع ها و باکس پلات ها Quartiles and Box Plots

مقابله با داده های از دست رفته Dealing with Missing Data

  • یافتن ارزش های گمشده Finding Missing Values

  • مقابله با ارزش های گمشده Dealing with Missing Values

  • برخورد عملی با ارزش های گمشده Hands-on with Dealing with Missing Values

  • مطالعه موردی: داده های از دست رفته در مجموعه داده تایتانیک Case Study: Missing Data in Titanic Dataset

برخورد با موارد پرت Dealing with Outliers

  • Outliers چیست؟ What are Outliers?

  • استفاده از Z-scores برای یافتن نقاط پرت Using Z-scores to Find Outliers

  • نمرات Z اصلاح شده Modified Z-scores

  • استفاده از IQR برای تشخیص نقاط پرت Using IQR to Detect Outliers

تحلیل تک متغیره Univariate Analysis

  • انواع متغیرها Types of Variables

  • مقدمه ای بر تحلیل تک متغیره Introduction to Univariate Analysis

  • چولگی و کورتوز Skewness and Kurtosis

  • تجزیه و تحلیل تک متغیره بر روی مجموعه داده های المپیک Univariate Analysis over Olympics Dataset

تجزیه و تحلیل دو متغیره Bivariate Analysis

  • مقدمه ای بر تحلیل دو متغیره Introduction to Bivariate Analysis

  • ضریب همبستگی Correlation Coefficient

  • نمودارهای پراکنده و نقشه های حرارتی Scatter Plots and Heatmaps

  • تجزیه و تحلیل دو متغیره: مجموعه داده تایتانیک Bivariate Analysis: Titanic Dataset

  • تجزیه و تحلیل دو متغیره: فروش بازی های ویدیویی Bivariate Analysis: Video Game Sales

تحلیل چند متغیره Multivariate Analysis

  • مقدمه ای بر تحلیل چند متغیره Introduction to Multivariate Analysis

  • تجزیه و تحلیل چند متغیره بر روی مجموعه داده تایتانیک Multivariate Analysis over Titanic Dataset

  • تجزیه و تحلیل چند متغیره بر روی مجموعه داده Pokemon Multivariate Analysis over Pokemon Dataset

  • پارادوکس سیمپسون Simpson’s Paradox

  • همبستگی علیت نیست Correlation Is Not Causation

آوردن آن همه با هم Bringing It All Together

  • تجزیه و تحلیل داده های شراب: راه اندازی اولیه Wine Data Analysis: Initial Setup

  • تجزیه و تحلیل شراب قرمز Red Wine Analysis

  • تجزیه و تحلیل شراب سفید White Wine Analysis

  • شراب سفید در مقابل شراب قرمز: تجزیه و تحلیل White Wine versus Red Wine: Analysis

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش تجزیه و تحلیل داده های اکتشافی با پانداها و پایتون 3.x [ویدئو]
جزییات دوره
5 h 4 m
32
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mohammed Kashif Mohammed Kashif

محمد کاشف به عنوان یک دانشمند داده در Nineleaps هند کار می کند و بیشتر با تجزیه و تحلیل داده های نموداری سر و کار دارد. قبل از این، او به عنوان یک توسعه دهنده پایتون در کوالکام کار می کرد. او مدرک کارشناسی ارشد خود را در رشته علوم کامپیوتر از IIIT دهلی با تخصص در مهندسی داده به پایان رساند. زمینه های مورد علاقه او شامل سیستم های توصیه کننده، NLP و تجزیه و تحلیل گراف است. در اوقات فراغت خود، او دوست دارد سؤالات را در StackOverflow حل کند و به رفع اشکال افراد دیگر از بدبختی آنها کمک کند. او همچنین یک دستیار آموزشی با تجربه با سابقه کار در صنعت آموزش عالی است.