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.
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

نظری ارسال نشده است.

آموزش تکنیک های تحلیل داده های اکتشافی در پایتون
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2h 9m
36
Pluralsight (پلورال سایت) pluralsight-small
04 مرداد 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
دارد
دارد
دارد

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.

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.