Implementing Policy for Missing Values in Python

سرفصل های دوره

This course offers a deep dive into addressing dataset incompleteness. From basic drop methods to intricate regression imputations, emerge equipped to tackle any missing data challenge with confidence.

1. Course Overview

1. Course Overview

02. Filling in the Blanks - Basic Strategies and Simple Imputations

01. Course and Module Introduction

02. What Is Missing Data and What Causes It

03. The Impact of Missing Data

04. The Decision Crossroads To Drop or Not

05. Introduction to Imputation

06. Exploring Imputation with Mean

07. Balancing Data with Median

08. Catering to Categoricals - Imputing with Mode

09. Sequencing Solutions - Forward and Backward Fill

10. Demo - Introduction to the Dataset

11. Demo - Setting up Your Environment

12. Demo - Dealing with Missing Data - Part 1

13. Demo - Dealing with Missing Data - Part 2

14. Module Summary

3. Beyond the Basics - Navigating the Maze of Advanced Imputation

1. Module Introduction

2. Regression Imputation Unveiled

3. How Does Regression Fill the Void

4. Beyond Regression - KNN and MICE

5. Choosing the Right Technique

6. Demo - Imputation of Numerical Missing Values Using Reg

7. Module Summary

189,000 تومان

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.

تولید کننده: PluralSight