تست کدهای علوم داده در زبان پایتون

هرچه دنیای علوم داده بزرگتر و پیچیده تر شود ، داده های بیشتری برای جمع آوری ، مرتب سازی ، تمیز کردن ، مدل سازی و موارد دیگر وجود دارد. یک نکته درد در حال ظهور در این دنیای شجاع جدید این است که اگر مهندسی داده ها و شیوه های توسعه شما لرزان باشد ، می تواند اشتباه کند. این دوره سطح پیشرفته دانشمندان داده ، توسعه دهندگان پایتون و تحلیلگران داده را نحوه آزمایش کد علمی (علوم داده) نوشته شده در پایتون را نشان می دهد. مربی و مشاور علوم جانباز DATA ، Miki Tebeka تکنیک های آزمایش را با تمرکز بر موضوعات خاص برای کد علوم داده ، مانند خطاهای نقطه شناور ، آزمایش آماری ، کار با مجموعه داده های بزرگ ، انتخاب یک پایه و موارد دیگر پوشش می دهد. میکی پس از ارائه یک مرور کلی آزمایش ، به آزمایش با Pytest و فرضیه می پردازد. وی توضیح می دهد که چگونه می توان از طرحواره ها ، مقادیر حقیقت ، آزمایش تقریبی و بیشتر در اعتبار سنجی داده ها استفاده کرد. میکی به آزمایش رگرسیون می رود ، سپس نحوه آزمایش نوت بوک های Jupyter را نشان می دهد.

عنوان اصلی : Testing Python Data Science Code

سرفصل های دوره :

مقدمه:
آزمایش برنامه های علمی
آنچه باید بدانید
تنظیم
1. نمای کلی آزمایش:
چرا تست؟
انواع آزمایشات
چالش در آزمایش برنامه های علمی
نمای کلی ادغام مداوم
2. Pytest:
بررسی اجمالی Pytest
انتخاب تست ها
تست های پارامتر شده
وسایل
مسخره
چالش: تست با Pytest
راه حل: تست با Pytest
3. فرضیه :
نمای کلی فرضیه
آزمایش با فرضیه
برنامه های Numpy
برنامه های پاندا
استراتژی های نوشتن
چالش: آزمون با فرضیه
راه حل: آزمون با فرضیه
4. اعتبار سنجی داده ها :
با استفاده از طرحواره
ارزشهای حقیقت
شگفتی های نقطه شناور
آزمایش تقریبی
برخورد با تصادفی
مقایسه داده های پاندا
چالش: آزمایش کد عددی
راه حل: آزمایش کد عددی
5. آزمایش رگرسیون:
بررسی اجمالی تست رگرسیون
انتخاب داده های رگرسیون
انتخاب معیارهای با کیفیت و پایه
آزمایش رگرسیون کیفیت
انتخاب معیارهای سرعت و حافظه
تست رگرسیون عملکرد
6. تست نوت بوک های Jupyter:
آزمایش اجمالی نوت بوک ها
با استفاده از nbconvert
کد اصلاح مجدد
سایر کتابخانه های آزمون
نتیجه گیری:
مراحل بعدی