Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره تکنیک های مهم کاوش داده ها به منظور یافتن روابط بین متغیرها را شامل می شود ، از جمله تکنیک های خلاصه سازی و توصیف داده های شما ، و چندین ابزار قدرتمند تجسم برای بیان روابط در آن داده ها. علم داده و مدل سازی داده ها به سرعت به عنوان توانایی های اساسی ظهور می کنند این روزها باید هر بنگاه اقتصادی و هر تکنسینی داشته باشد. سازمانهای مختلف به طور فزاینده ای از همان مدلها و ابزارهای مدل سازی یکسان استفاده می کنند ، بنابراین آنچه تفاوت می کند نحوه اعمال این مدلها بر روی داده ها است. امروز ، بیش از هر زمان دیگر ، بسیار مهم است که شما اطلاعات خود را به خوبی بشناسید. در این دوره ، با پیدا کردن روابط در داده ها با پایتون ، شما توانایی پیدا کردن روابط درون داده های خود را خواهید داشت که می توانید برای ساخت مدل های پیچیده تر از آن بهره ببرید. ابتدا یاد می گیرید که با استفاده از آمارهای تک متغیره ، دو متغیره و چند متغیره ، داده های خود را خلاصه کنید. در مرحله بعدی ، خواهید فهمید که چگونه اشکال خاص تجسم برای شناسایی و گرفتن انواع خاصی از روابط تکامل یافته است. سپس برخی از ابزارهای پیشرفته مانند استفاده از نمودارهای همبستگی و نمودارهای KDE را که به مدل سازی توزیع احتمال کمک می کنند ، فرا خواهید گرفت. سرانجام ، شما با استفاده از چهار کتابخانه - Matplotlib ، Seaborn ، Altair و Plotly برای یافتن روابط ، دانش خود را جمع آوری می کنید. پس از اتمام این دوره ، با کاوش و تجسم کارآمد آن داده ها ، مهارت و دانش لازم برای شناسایی و بهره برداری از روابط موجود در داده های شما را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
شناسایی و تجسم روابط مشترک در داده ها
Identifying and Visualizing Common Relationships in Data
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
آمار در درک داده ها
Statistics in Understanding Data
اقدامات تمایل و پراکندگی مرکزی
Measures of Central Tendency and Dispersion
آمار توصیفی دو متغیره و چند متغیره
Bivariate and Multivariate Descriptive Statistics
نسخه ی نمایشی: بارگیری تمیز کردن و آماده سازی داده ها
Demo: Loading Cleaning and Preparing Data
نسخه ی نمایشی: کاوش و تجسم روابط
Demo: Exploring and Visualizing Relationships
نسخه ی نمایشی: محاسبه و تجسم همبستگی ها
Demo: Calculating and Visualizing Correlations
همبستگی خودکار
Autocorrelation
نسخه ی نمایشی: محاسبه و تجسم همبستگی خودکار
Demo: Calculating and Visualizing Autocorrelation
نسخه ی نمایشی: نمودارها و نمودارهای میله ای
Demo: Line Plots and Bar Graphs
نسخه ی نمایشی: جعبه ها نمودارهای ویولن و نمودارهای پای
Demo: Box Plots Violin Plots and Pie Charts
خلاصه ماژول
Module Summary
ماژول جدید شناسایی و تجسم روابط احتمالی و آماری
New ModuleIdentifying and Visualizing Probabilistic and Statistical Relationships
بررسی اجمالی ماژول
Module Overview
برآورد تراکم هسته
Kernel Density Estimation
نسخه ی نمایشی: هیستوگرام ها ، نمودارهای KDE ، نمودارهای فرش
Demo: Histograms, KDE Plots, Rug Plots
نسخه ی نمایشی: کاوش در روابط مداوم و دسته بندی شده
Demo: Exploring Continuous and Categorical Relationships
نسخه ی نمایشی: روابط به صورت جفت
Demo: Pairwise Relationships
نسخه ی نمایشی: تجسم روابط چندگانه با وجوه
Demo: Visualizing Multiple Relationships with Facets
خلاصه ماژول
Module Summary
استفاده از تجسمهای تعاملی برای کاوش روابط در داده ها
Using Interactive Visualizations to Explore Relationships in Data
بررسی اجمالی ماژول
Module Overview
معرفی Altair
Introducing Altair
نسخه ی نمایشی: شروع با Altair
Demo: Getting Started with Altair
نسخه ی نمایشی: نمودارهای ساده Altair برای برش و کاوش داده ها
Demo: Simple Altair Plots to Slice and Explore Data
نسخه ی نمایشی: تجسم روابط با استفاده از Binning و Aggregation
Demo: Visualizing Relationships Using Binning and Aggregation
نسخه ی نمایشی: تجسم های تعاملی با Altair
Demo: Interactive Visualizations with Altair
معرفی Plotly
Introducing Plotly
نسخه ی نمایشی: تجسم های تعاملی برای داده های مالی با استفاده از طرح کلی
Demo: Interactive Visualizations for Financial Data Using Plotly
نسخه ی نمایشی: نقشه های جغرافیایی با استفاده از نقشه های حباب
Demo: Geographical Plots Using Bubble Maps
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات