آموزش تکنیک های تحلیل داده های اکتشافی در پایتون

Exploratory Data Analysis Techniques in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به شما می آموزد که چگونه با استفاده از کتابخانه های معروف پایتون مانند NumPy، Pandas و Matplotlib برای انجام تجزیه و تحلیل داده های اکتشافی (EDA) مجموعه های داده بزرگ را کاوش، تجزیه و تحلیل و تجسم کنید. پروژه در این دوره، تکنیک های تجزیه و تحلیل داده های اکتشافی در پایتون، شما توانایی انجام EDA بر روی مجموعه داده های بزرگ را با استفاده از پایتون به دست خواهید آورد. ابتدا، با تکنیک‌های اکتشافی بصری و خوشه‌بندی برای شناسایی الگوها، خوشه‌ها و روابط درون داده‌های خود آشنا خواهید شد. در مرحله بعد، توزیع داده ها را کشف خواهید کرد، از جمله تکنیک های کمی، خلاصه و توصیفی که به شما در درک توزیع داده ها و ویژگی های کلیدی آن کمک می کند. در نهایت، نحوه استفاده از تکنیک‌های نمونه‌گیری و همبستگی را برای کشف روابط بین متغیرهای مختلف در داده‌های خود خواهید فهمید. وقتی این دوره را به پایان رساندید، مهارت ها و دانش تجزیه و تحلیل داده های اکتشافی مورد نیاز برای تجزیه و تحلیل، تجسم و خلاصه کردن داده های خود را بهتر از همیشه خواهید داشت!

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

معرفی تحلیل داده های اکتشافی (EDA) Introducing Exploratory Data Analysis (EDA)

  • بررسی اجمالی Overview

  • آشنایی با مبانی تجزیه و تحلیل داده های اکتشافی (EDA) Understanding the Basics of Exploratory Data Analysis (EDA)

  • چرا EDA در علم داده و یادگیری ماشین مهم است؟ Why EDA Is Important in Data Science and Machine Learning?

  • خلاصه Summary

استفاده از تکنیک های اکتشافی بصری برای تجزیه و تحلیل داده ها Using Visual Exploratory Techniques for Data Analysis

  • بررسی اجمالی Overview

  • بررسی انواع آنالیز در EDA Exploring the Types of Analysis in EDA

  • نسخه ی نمایشی: انواع مختلف نمودارهای داده را برای EDA کاوش کنید Demo: Explore Different Types of Data Plots for EDA

  • چگونه یک نمودار مناسب انتخاب کنیم؟ How to Choose an Appropriate Chart?

  • خلاصه Summary

تکنیک های خوشه بندی برای EDA Clustering Techniques for EDA

  • بررسی اجمالی Overview

  • معرفی خوشه‌بندی بصری و چرا مهم است؟ Introducing Visual Clustering and Why Its Important?

  • تکنیک های مختلف خوشه بندی بصری مورد استفاده در EDA Different Visual Clustering Techniques Used in EDA

  • نسخه ی نمایشی: چگونه تکنیک های خوشه بندی بصری را در EDA پیاده سازی کنیم؟ Demo: How to Implement Visual Clustering Techniques in EDA?

  • مقایسه و مقایسه انواع تکنیک های خوشه بندی بصری Comparing and Contrasting the Types of Visual Clustering Techniques

  • خلاصه Summary

درک انواع توزیع داده برای EDA Understanding Data Distribution Types for EDA

  • بررسی اجمالی Overview

  • چگونه تکنیک های توزیع به سوالات تحقیقاتی EDA کمک می کند؟ How Distribution Techniques Help in EDA Research Questions?

  • انواع مختلف توزیع های مورد استفاده در EDA Different Types of Distributions Used in EDA

  • مقایسه و تضاد انواع مختلف توزیع ها Comparing and Contrasting Different Types of Distributions

  • خلاصه Summary

کاوش تکنیک های کمی، خلاصه و توصیفی برای EDA Exploring Quantitative, Summary, and Descriptive Techniques for EDA

  • بررسی اجمالی Overview

  • معرفی تکنیک های کمی، خلاصه و توصیفی Introducing Quantitative, Summary and Descriptive techniques

  • درک تکنیک های اکتشافی کمی با استفاده از پایتون Understanding Quantitative Exploratory Techniques Using Python

  • درک تکنیک های خلاصه سازی با استفاده از پایتون Understanding Summary Techniques Using Python

  • درک تکنیک های توصیفی با استفاده از پایتون Understanding Descriptive Techniques Using Python

  • مقایسه و مقایسه انواع تکنیک های کمی، خلاصه و توصیفی Compare and Contrast the Types of Quantitative, Summary, and Descriptive Techniques

  • خلاصه Summary

تکنیک های نمونه گیری و همبستگی برای EDA Sampling and Correlation Techniques for EDA

  • بررسی اجمالی Overview

  • معرفی تکنیک های نمونه گیری و همبستگی برای EDA Introducing Sampling and Correlation techniques for EDA

  • نسخه ی نمایشی: پیاده سازی تکنیک های نمونه برداری با استفاده از پایتون Demo: Implementing Sampling Techniques Using Python

  • نسخه ی نمایشی: پیاده سازی تکنیک های همبستگی با استفاده از پایتون Demo: Implementing Correlation Techniques Using Python

  • انواع روش های نمونه گیری و همبستگی را با هم مقایسه و مقایسه کنید Compare and Contrast the Types of Sampling and Correlation Techniques

  • خلاصه Summary

نتیجه گیری و مراحل بعدی Conclusion and Next Steps

  • خلاصه دوره Course Summary

  • یادداشت های پایانی Closing Notes

نمایش نظرات

آموزش تکنیک های تحلیل داده های اکتشافی در پایتون
جزییات دوره
2h 9m
36
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

Abdul Rehman Yousaf Abdul Rehman Yousaf

عبدالرحمان بنیانگذار Pythonist.org ، یک شرکت مشاوره ، آموزش و توسعه نرم افزار نرم افزار است. در حال حاضر ، او به عنوان یک مهندس ارشد یادگیری ماشین در Nexthon Technologies مشغول به کار است که در آنجا چندین پروژه شگفت انگیز ساخته شده با هوش مصنوعی ساخته است. پیش از این ، او به عنوان یک معمار راه حل Cloud کار می کرد ، زیرساخت های قدرتمند ، ایمن و مقیاس پذیر را بر روی فروشندگان مختلف ابر مانند Google Cloud Platform و AWS ایجاد می کرد. در طول هر دو این نقش ها ، او از پایتون به عنوان زبان اصلی پیشرفت خود استفاده کرد. او یک مجری و معلم باتجربه است ، در چندین کنفرانس ، گروه نرم افزاری و مکانهای داخلی شرکت سخنرانی کرده است. عبدالل همچنین عضوی فعال در جامعه متن باز است که به طور منظم در پروژه های مختلف مرتبط با پایتون و یادگیری ماشین شرکت می کند. عبدول دارای مدرک لیسانس فناوری اطلاعات از دانشگاه گوجرات پاکستان است.