دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.

آموزش آماده سازی داده ها در زبان پایتون شامل Import و Cleaning

دانلود A Cloud Guru Data Preparation (Import and Cleaning) for Python

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

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

عنوان اصلی : Data Preparation (Import and Cleaning) for Python

این مجموعه آموزش ویدیویی محصول موسسه آموزشی A Cloud Guru است که بر روی 1 حلقه دیسک به همراه فایلهای تمرینی ارائه شده و به مدت زمان 1 ساعت و 57 دقیقه در اختیار علاقه مندان قرار می گیرد.

در ادامه با برخی از سرفصل های درسی این مجموعه آموزش آشنا می شویم :


مقدمه:
مقدمه دوره
بسته های پایتون مورد استفاده در این دوره
پیش نیاز و دوره های مرتبط
دسترسی به پایگاه داده:
بخش مقدمه: پایتون DB-API
پایگاه داده های ارتباطی
پایگاه داده های NOSQL (غیر ارتباطی)
پایگاه داده های جاسازی شده
بخش RECAP: دسترسی به پایگاه داده
با استفاده از postgresql با پایتون
با استفاده از MongoDB با پایتون
تجسم داده ها:
بخش مقدمه: چرا تجسم داده؟
چه نوع داده ها می توانند پایتون را بخوانند؟
خواندن و نوشتن داده های جدولی
محاسبه خلاصه آمار
پروفایل داده ها
بخش RECAP: تجسم داده ها
تبدیل اطلاعات CSV به JSON با استفاده از بسته Pandas Python
ساخت آمار خلاصه ای با استفاده از بسته Pandas Python
اطلاعات پروفایل با استفاده از Pandas_Profiling Python Package
پاکسازی داده ها:
مقدمه بخش: ساخت داده های خود را درخشش و درخشش
اطلاعات گم شده و نامعتبر
اطلاعات بیرونی
پردازش رشته
RECAP بخش: پاکسازی داده ها
پاک کردن داده های گم شده با استفاده از بسته Pandas Python
پاک کردن داده های بیرونی با استفاده از بسته Pandas Python
اطلاعات پیش پردازش برای یادگیری ماشین:
بخش مقدمه: بسته sklearn.preprocessing چیست؟
استاندارد سازی مجموعه داده های شما
تبدیل غیر خطی
Normalization و Discationization
ویژگی های طبقه بندی
ویژگی های چندجملهای و ترانسفورماتورهای سفارشی
RECAP بخش: پیش پردازش داده ها برای یادگیری ماشین
اطلاعات پیش پردازش با بسته Python Scikit-Learn
نتیجه گیری:
Python Prims
خلاصه دوره
نتیجه گیری و چه چیزی بعدی است


Introduction:
Course Introduction
The Python Packages Used in This Course
Prerequisite and Related Courses

Database Access:
Section Introduction: The Python DB-API
Relational Databases
NoSQL (Non-Relational) Databases
Embedded Databases
Section Recap: Database Access
Using PostgreSQL with Python
Using MongoDB with Python

Data Visualization:
Section Introduction: Why Data Visualization?
What Kind of Data Can Python Read?
Reading and Writing Tabular Data
Calculating Summary Statistics
Data Profiling
Section Recap: Data Visualization
Converting CSV data to JSON using the Pandas Python Package
Generating Summary Statistics using the Pandas Python Package
Profiling Data using the pandas_profiling Python Package

Data Cleansing:
Section Introduction: Making Your Data Sparkle and Shine
Missing and Invalid Data
Outlying Data
String Processing
Section Recap: Data Cleansing
Cleansing missing data using the Pandas Python Package
Cleansing outlying data using the Pandas Python Package

Preprocessing Data for Machine Learning:
Section Introduction: What Is the sklearn.preprocessing Package?
Standardizing Your Dataset
Non-Linear Transformation
Normalization and Discretization
Categorical Features
Polynomial Features and Custom Transformers
Section Recap: Preprocessing Data for Machine Learning
Pre-processing Data with the scikit-learn Python Package

Conclusion:
Python Pitfalls
Course Summary
Conclusion and What’s Next