به روز رسانی های اخیر
ژانویه 2023: کتابخانههای EDA (Klib، Sweetviz) که تمام فعالیتهای EDA را با چند خط کد تکمیل میکنند، اضافه شدهاند
جولای 2022: یک ویدیوی توضیحی درباره تفاوتهای بین تجزیه و تحلیل دادهها و تجزیه و تحلیل دادههای اکتشافی اضافه شده است.
ژانویه 2022: نمودارهای Scatter شرطی برای کمک به تجزیه و تحلیل دو متغیره اضافه شده است
نوامبر 2021: یک تمرین جامع که تمام احتمالات EDA را پوشش می دهد اضافه شده است.
توصیه ها در مورد دوره
"این دوره برای من جالب و مفید بود. آقای گوویند سعی کرده است تمام مفاهیم مهم را به شیوه ای موثر پوشش دهد. این دوره می تواند به عنوان یک دوره ابتدایی برای همه علاقه مندان به یادگیری ماشین در نظر گرفته شود. از اینکه دانش خود را به اشتراک می گذارید متشکریم. با ما." دکتر راج گاوراو M.
"او بسیار واضح است. این یک دوره عالی برای افرادی است که ML بر اساس تجزیه و تحلیل داده ها انجام می دهند." داسیکا سری بووانا وی.
"این دوره به شما توصیه های خوبی در مورد نحوه درک داده های خود، قبل از شروع استفاده می دهد. از ایجاد یک مدل بد جلوگیری می کند، فقط به این دلیل که داده ها پاک نشده اند." ریکاردو V
تنظیم زمینه
قبل از شروع پروژه یادگیری ماشینی، اطمینان از آماده بودن داده ها برای کار مدل سازی مهم است. تجزیه و تحلیل داده های اکتشافی (EDA) آمادگی داده ها را برای یادگیری ماشین تضمین می کند. در واقع، EDA تضمین می کند که داده ها قابل استفاده تر هستند. بدون یک EDA مناسب، کار یادگیری ماشینی از مشکلات دقت رنج میبرد و بسیاری از اوقات، الگوریتمها کار نمیکنند.
تجزیه و تحلیل داده های اکتشافی چیست؟
تحلیل داده های اکتشافی (EDA) توسط دانشمندان داده برای تجزیه و تحلیل و بررسی مجموعه داده ها و خلاصه کردن ویژگی های اصلی آنها استفاده می شود که اغلب از روش های تجسم داده ها استفاده می کنند. این به تعیین بهترین روش دستکاری منابع داده برای دریافت پاسخ های مورد نیاز کمک می کند و کشف الگوها، تشخیص ناهنجاری ها، آزمایش یک فرضیه یا بررسی فرضیات را برای دانشمندان داده آسان تر می کند.
EDA اساساً برای دیدن آنچه که دادهها میتوانند فراتر از مدلسازی رسمی یا آزمایش فرضیه آشکار کنند استفاده میشود و درک بهتری از متغیرهای مجموعه داده و روابط بین آنها ارائه میدهد. همچنین می تواند به تعیین مناسب بودن تکنیک های آماری که برای تجزیه و تحلیل داده ها در نظر گرفته اید کمک کند. تکنیک های EDA که در ابتدا توسط ریاضیدان آمریکایی جان توکی در دهه 1970 توسعه یافت، همچنان به عنوان روشی پرکاربرد در فرآیند کشف داده ها امروزی است.
چرا تجزیه و تحلیل داده های اکتشافی در علم داده مهم است؟
هدف اصلی EDA کمک به بررسی داده ها قبل از هر گونه فرضیه است. میتواند به شناسایی خطاهای آشکار، و همچنین درک بهتر الگوهای درون دادهها، شناسایی موارد پرت یا رویدادهای غیرعادی، یافتن روابط جالب بین متغیرها کمک کند.
دانشمندان داده میتوانند از تجزیه و تحلیل اکتشافی برای اطمینان از معتبر بودن نتایجی که تولید میکنند و برای هر گونه نتایج و اهداف کسبوکار دلخواه استفاده میکنند، استفاده کنند. EDA همچنین با تأیید اینکه آنها سؤالات درستی می پرسند به ذینفعان کمک می کند. EDA می تواند به سوالات مربوط به انحرافات استاندارد، متغیرهای طبقه بندی شده و فواصل اطمینان پاسخ دهد. هنگامی که EDA کامل شد و بینش ها ترسیم شد، می توان از ویژگی های آن برای تحلیل یا مدل سازی داده های پیچیده تر، از جمله یادگیری ماشین استفاده کرد.
زبان برنامه نویسی استفاده شده
پایتون: یک زبان برنامه نویسی تفسیر شده و شی گرا با معناشناسی پویا. ساختارهای داده داخلی و سطح بالا آن، همراه با تایپ پویا و اتصال پویا، آن را برای توسعه سریع برنامه کاربردی و همچنین برای استفاده به عنوان یک زبان برنامه نویسی یا چسب برای اتصال اجزای موجود به یکدیگر بسیار جذاب می کند. Python و EDA را می توان با هم برای شناسایی مقادیر از دست رفته در یک مجموعه داده استفاده کرد، که بسیار مهم است تا بتوانید تصمیم بگیرید که چگونه مقادیر از دست رفته را برای یادگیری ماشین مدیریت کنید.
چه مواردی در این دوره پوشش داده می شود؟
این دوره تکنیک ها و رویکردهای تجزیه و تحلیل داده های اکتشافی را به شما آموزش می دهد که به شما کمک می کند حداکثر ارزش را از داده ها بدست آورید. اگر بدون انجام این EDA وارد یادگیری ماشینی شوید، علاوه بر اینکه با دقت پایینتری پایان میدهید، خود را برای شکست آماده میکنید. این دوره توسط یک پیشکسوت هوش مصنوعی و فناوری طراحی شده است و مستقیماً از فر به شما می رسد!
کارشناس هوش مصنوعی و تحول تجاری خلاصه: بیش از 2 دهه تجربه در MNC ها و استارت آپ های برتر. ایفای نقش رهبری و مدیریت مشاغل در سراسر آسیا و اقیانوسیه و منطقه ژاپن تخصص: هوش مصنوعی ، شش سیگما و نوآوری تجربیات کلیدی: با موفقیت در مراکز تعالی برای جلوگیری از کلاهبرداری و تجزیه و تحلیل خدمات انکوبه شد. تجربه قابل توجهی در توسعه و مدیریت محصول مبتنی بر تفکر طراحی. نقشی اساسی در توسعه محصولات برای بازارهای نوظهور ایفا کرد. آموزش و گواهینامه: B. فنی و MBA تمام وقت از موسسات برتر هند گواهینامه ها در شش سیگما و مدیریت پروژه.
نمایش نظرات