آموزش کدنویسی پروژه های دیتا ساینس در زبان Python

با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با دیتا ساینس در زبان پایتون یاد می گیرید.

عنوان اصلی : Data Science Projects with Python

سرفصل ها :

کاوش و پاکسازی داده ها:
بررسی اجمالی دوره
نصب و راه اندازی
نمای کلی درس
پایتون و سیستم مدیریت بسته آناکوندا
انواع مختلف مسائل علم داده
بارگیری داده‌های مطالعه موردی با ژوپیتر و پانداها
آشنایی با داده ها و انجام پاکسازی داده ها
ماسک های بولی
تضمین کیفیت داده ها و کاوش
شیرجه عمیق: ویژگی های دسته بندی
بررسی ویژگی های تاریخچه مالی در مجموعه داده
خلاصه درس
مقدمه ای بر Scikit-Learn و ارزیابی مدل:
نمای کلی درس
کاوش متغیر پاسخ و نتیجه گیری کاوش اولیه
مقدمه ای بر Scikit-Learn
معیارهای عملکرد مدل برای طبقه بندی باینری
نرخ مثبت واقعی، نرخ مثبت کاذب، و ماتریس سردرگمی
به دست آوردن احتمالات پیش بینی شده از یک مدل رگرسیون لجستیک آموزش دیده
خلاصه درس
جزئیات رگرسیون لجستیک و کاوش ویژگی:
نمای کلی درس
بررسی روابط بین ویژگی ها و پاسخ
نکات دقیق آزمون F: معادل سازی با آزمون t برای دو کلاس و احتیاط ها
انتخاب ویژگی تک متغیره: چه می کند و چه نمی کند
مدل های خطی تعمیم یافته (GLM)
خلاصه درس
مبادله تعصب-واریانس:
نمای کلی درس
برآورد ضرایب و وقفه های رگرسیون لجستیک
مفروضات رگرسیون لجستیک
چند ویژگی باید داشته باشید؟
منظم سازی کمند (L1) و ریج (L2).
اعتبار سنجی متقابل: انتخاب پارامتر Regularization و سایر فراپارامترها
کاهش بیش از حد برازش در مشکل طبقه بندی داده های مصنوعی
گزینه هایی برای رگرسیون لجستیک در Scikit-Learn
خلاصه درس
درختان تصمیم و جنگل های تصادفی:
نمای کلی درس
درختان تصمیم
درختان تصمیم آموزشی: ناخالصی گره
استفاده از درختان تصمیم: مزایا و احتمالات پیش بینی شده
جنگل های تصادفی: مجموعه درختان تصمیم
نصب یک جنگل تصادفی
خلاصه درس
انتساب داده های از دست رفته، تجزیه و تحلیل مالی، و تحویل به مشتری:
نمای کلی درس
بررسی نتایج مدلسازی
مقابله با داده های از دست رفته: استراتژی های انتساب
پاک کردن مجموعه داده
حالت و محاسبه تصادفی PAY_1
یک مدل پیش بینی برای PAY_1
استفاده از مدل Imputation و مقایسه آن با سایر روش ها
آنالیز مالی
ایده های نهایی در مورد ارائه مدل پیش بینی به مشتری
خلاصه درس