Eğitim Hakkında
Python ile Veri Bilimi eğitim kursu, mühendislere, veri bilimcilere, istatistikçilere ve diğer kantitatif uzmanlara verileri analiz etmek ve grafiklendirmek için ihtiyaç duydukları Python programlama becerilerini öğretir.
Neler Öğreneceksiniz
• Python temel veri türleri arasındaki farkı anlamayı,
• Farklı python koleksiyonlarını ne zaman kullanacağınızı bilmeyi,
• Python işlevlerini uygulamayı,
• Python'da kontrol akışı yapılarını anlamayı,
• İstisna işleme yapıları aracılığıyla hataları işlemeyi,
• Cevaplanabilir, eyleme geçirilebilir bir soruyu nicel olarak tanımlayabilmeyi,
• Hem yapılandırılmış hem de yapılandırılmamış verileri Python'a aktarmayı,
• Yapılandırılmamış verileri yapılandırılmış biçimlere ayrıştırmayı,
• NumPy dizileri ve pandas veri çerçeveleri arasındaki farkları anlamayı,
• Python'un Python / Hadoop / Spark ekosisteminde nerede olduğunu anlamayı.
Eğitim İçeriği
Temel Python Giriş
Geçmiş ve mevcut kullanım
Yazılımın Kurulması
Python Dağılımları
Dize Değişmezleri ve sayısal nesneler
Koleksiyonlar (listeler, tuplelar, dicts)
Python'daki Datetime sınıfları
Python'da Bellek Yönetimi
Kontrol akışı
Fonksiyonlar
İstisna işleme
Eyleme Geçirilebilir, Analitik Soruları Tanımlama
Soru üzerinde çıkarım yapmak için nicel yapıyı tanımlama
Yapıları desteklemek için gereken verilerin belirlenmesi
Veri ve analitik yaklaşımla ilgili sınırlamaları belirleme
Duyarlılık analizlerinin oluşturulması
Verileri Getirme
Yapılandırılmış Veriler
Yapılandırılmış Metin Dosyaları
Excel çalışma kitapları
SQL veritabanları
Yapılandırılmamış Metin Verileriyle Çalışma
Yapılandırılmamış Metni Okuma
Python ile Doğal Dil İşlemeye Giriş
NumPy: Matrix Dili
Ndarray'e giriş
NumPy işlemleri
Yayın
NumPy'de (maskeli dizi) eksik veri
NumPy Yapılandırılmış diziler
Rastgele sayı üretimi
Pandas ile Veri Hazırlama
Filtreleme
Değişkenler oluşturma ve silme
Sürekli Verilerin Ayrıklaştırılması
Verileri ölçekleme ve standartlaştırma
Yinelemeleri Tanımlama
Sahte Kodlama
Veri Kümelerini Birleştirme
Verileri Değiştirme
Uzun ve geniş arası
Pandas ile Keşfedici Veri Analizi
Tek Değişkenli İstatistik Özetler ve Aykırı Değerlerin Tespiti
Çok Değişkenli İstatistik Özetler ve Aykırı Değer Tespiti
Pandas kullanarak grup bazında hesaplamalar
Özet Tablolar
Verileri Grafik Olarak İnceleme
Histogram
Kutu ve bıyık arsa
Dağılım grafikleri
Orman arazileri
Grafiğe göre gruplama
Matplotlib, Pandas ve Seaborn ile Gelişmiş Grafikler
Python, Hadoop ve Spark
Python, Hadoop ve Spark'taki farka giriş
Spark ve Hadoop'tan Python'a veri aktarma
Spark veya Hadoop'tan yararlanan paralel yürütme
Kayıp veri
Eksik verilerdeki kalıpları keşfetmek ve anlamak
Rastgele Eksik
Rastgele Değil Eksik
Tamamen Rastgele Eksik
Veri isnat yöntemleri
Geleneksel Çıkarımsal İstatistikler
Grupları Karşılaştırma
P-Değerleri, özet istatistikler, yeterli istatistikler, çıkarımsal hedefler
T Testleri (eşit ve eşit olmayan varyanslar)
ANOVA
Ki-Kare Testleri
Korelasyon
Çok Değişkenli İstatistiklere Sık Yaklaşımlar
Doğrusal Regresyon
Çok değişkenli doğrusal regresyon
Doğrusal Olmayan İlişkileri Yakalamak
Model Uyuşlarını Karşılaştırma
Yeni verileri puanlama
Poisson Regresyon Uzantısı
Lojistik regresyon
Lojistik Regresyon Örneği
Sınıflandırma Metrikleri
Çok Değişkenli İstatistiklere Makine Öğrenimi Yaklaşımları
Makine Öğrenimi Teorisi
Veri ön işleme
Kayıp veri
Sahte Kodlama
Standardizasyon
Eğitim / Test verileri
Denetimli ve Denetimsiz Öğrenmeye Karşı
Denetimsiz Öğrenme: Kümeleme
Kümeleme Algoritmaları
Küme Performansını Değerlendirme
Boyutsal küçülme
Önsel
Temel bileşenler Analizi
Cezalandırılmış Regresyon
Denetimli Öğrenme: Regresyon
Doğrusal Regresyon
Cezalandırılmış Doğrusal Regresyon
Stokastik Gradyan İniş
Yeni Veri Kümelerini Puanlama
Çapraz doğrulama
Varyans Yanlılığı-Ticaret
Özellik Önemi
Denetimli Öğrenme: Sınıflandırma
Lojistik regresyon
KEMENT
Rastgele Orman
Topluluk Yöntemleri
Özellik Önemi
Yeni Veri Kümelerini Puanlama
Çapraz doğrulama
Diğer Eğitimler
Digital Vizyon
444 Eğitim Seti
