آموزش علم داده با پایتون: Munging، Outliers و Feature Engineering

Data Science with Python: Munging, Outliers, and Feature Engineering

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: داده های خام اغلب حاوی مقادیر گمشده، نقاط دورافتاده و ویژگی های نامربوط هستند که می توانند مانع موفقیت پروژه های علم داده شوند. در این دوره، علم داده با پایتون: Munging، Outliers و Feature Engineering، شما توانایی پیش پردازش و مهندسی ویژگی های داده های خام را به طور موثر با استفاده از پایتون به دست خواهید آورد. ابتدا، تکنیک‌هایی را برای مدیریت داده‌های از دست رفته و تعیین مقادیر از دست رفته بررسی خواهید کرد تا مطمئن شوید مجموعه داده‌های شما برای تجزیه و تحلیل آموزنده و قابل اعتماد باقی می‌مانند. در مرحله بعد، روش‌هایی را برای تشخیص و درمان موارد پرت با استفاده از رویکردهای آماری و یادگیری ماشین، توسعه استراتژی‌هایی برای مدیریت مناسب آنها کشف خواهید کرد. در نهایت، یاد خواهید گرفت که چگونه از داده‌های خام ویژگی‌های معنی‌داری ایجاد کنید، متغیرهای طبقه‌بندی را تغییر دهید و مجموعه داده‌ها را برای تجزیه و تحلیل کارآمد با حذف ستون‌های نامربوط و مرتب‌سازی مجدد آنها برای خوانایی و پردازش بهتر بهینه کنید. پس از اتمام این دوره، مهارت‌ها و دانش مربوط به داده‌ها و مهندسی ویژگی‌های مورد نیاز برای مقابله با مشکلات علم داده در دنیای واقعی، تبدیل داده‌های خام به مجموعه داده‌های تمیز و آموزنده و بهبود عملکرد یادگیری ماشینی را خواهید داشت. مدل ها.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

داده ها Munging Data Munging

  • مقدمه ای بر Data Munging Introduction to Data Munging

  • تکنیک‌هایی برای محاسبه ارزش‌های گمشده Techniques for Imputing Missing Values

  • نسخه ی نمایشی: تکنیک هایی برای انتساب مقادیر گمشده Demo: Techniques for Imputing Missing Values

  • تشخیص بیرونی Outlier Detection

  • نسخه ی نمایشی: تشخیص بیرونی Demo: Outlier Detection

مهندسی ویژگی Feature Engineering

  • مقدمه ای بر مهندسی ویژگی Introduction to Feature Engineering

  • تکنیک های ایجاد ویژگی Feature Creation Techniques

  • نسخه ی نمایشی: تکنیک های ایجاد ویژگی Demo: Feature Creation Techniques

  • مدیریت ویژگی های دسته بندی Handling Categorical Features

  • نسخه ی نمایشی: مدیریت ویژگی های دسته بندی Demo: Handling Categorical Features

  • بهینه سازی مجموعه داده ها Optimizing Datasets

  • نسخه ی نمایشی: بهینه سازی مجموعه داده ها Demo: Optimizing Datasets

نمایش نظرات

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.

آموزش علم داده با پایتون: Munging، Outliers و Feature Engineering
جزییات دوره
47m
13
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ali Feizollah Dr. Ali Feizollah

سلام من علی هستم من دکترای علوم کامپیوتر دارم. در حال حاضر به عنوان مدرس مشغول به کار هستم. من تحقیقاتی را در مورد تجزیه و تحلیل رسانه های اجتماعی با استفاده از پایتون و یادگیری ماشین انجام می دهم. من یک کانال یوتیوب به نام Flutterware دارم که آموزش پلتفرم Flutter Google را به اشتراک می گذارد که برای توسعه برنامه های تلفن همراه برای اندروید و iOS با یک کد پایه استفاده می شود. من عاشق تحقیق و کشف دانش هستم. به نظر من کسب دانش بدون اشتراک آن بی فایده است. امیدوارم کلاس های من برای شما مفید باشد.