تجزیه و تحلیل دیتا ساینس بوسیله Python, Seaborn در گوگل Colab

مبتدیان تجزیه و تحلیل داده های پایتون: علوم داده مقدمه: آموزش داده ها علوم داده: آموزش روشهای تجزیه و تحلیل داده های پایتون

عنوان اصلی : Analyze Features with Python and Seaborn in Google Colab

سرفصل های دوره :

00 بررسی اجمالی دوره:
بررسی اجمالی دوره
01 دوره های تعاملی ماموت مقدمه:
پرونده های منبع
02 یادگیری ماشین چیست (پیش نیاز):
01 یادگیری ماشین چیست
02 انواع مدل های یادگیری ماشین
03 آنچه تحت نظارت است
03 مقدمه بر پایتون (پیش نیاز):
00. معرفی به دوره و پایتون
01. متغیرها
02. نمونه های تبدیل را تایپ کنید
03. عملگر
04. مجموعه ها
05. نمونه های لیست
06. نمونه های Tuples
07. نمونه های فرهنگ لغت
08. نمونه هایی
09. شرط
10. اگر مثال بیانیه
11. حلقه
12. کارکرد
13. پارامترها و نمونه های بازگشت مقادیر
14. کلاس ها و اشیاء
15. نمونه های وراثت
16. مثالهای اعضای استاتیک
17. خلاصه و OUTRO
پرونده های منبع
04 تجزیه و تحلیل ویژگی ها و علم داده ها را انجام دهید:
01 بارگیری و ایجاد داده ها
02 تجزیه و تحلیل داده های اکتشافی را انجام دهید
03 داده ها را با توطئه های مختلف تجسم کنید
04 ویژگی ها را با توطئه های بیشتر تجزیه و تحلیل کنید
05 ساخت توطئه با Seaborn
06 ساخت یک طرح بوکه
07 یک طرح پراکندگی سه بعدی بسازید
08 رتبه بندی اهمیت
09 بازده مثبت و منفی را مقایسه کنید
پرونده های منبع