Data Science with R & Python F

Samouczek języka R, Python i statystyki w zakresie nauki o danych, uczenia maszynowego i sztucznej inteligencji

Rynek danych, uczenia maszynowego i sztucznej inteligencji kwitnie.

Nauka danych zasadniczo przekształca ustrukturyzowane lub nieustrukturyzowane dane w wgląd, zrozumienie i wiedzę przy użyciu metod naukowych, procesów i algorytmów.

R i Python są darmowymi językami programowania typu open source używanymi do statystycznego, matematycznego, przenoszenia danych, eksploracji i wizualizacji w danych. Może obsługiwać dane ustrukturyzowane (zorganizowane) i częściowo ustrukturyzowane (częściowo zorganizowane).

Aby nauczyć się języka R dla danych, omówiliśmy wszystkie następujące aspekty:

• Wprowadzenie

• Typy danych w R

• Zmienne w R

• Operatory w R

• Instrukcje warunkowe

• Instrukcje pętli

• Instrukcje kontroli pętli

• Skrypt R.

• Funkcje R.

• Funkcja niestandardowa

• Struktury danych

& # 8270; Wektory atomowe

& # 8270; Matryca

& # 8270; Tablice

& # 8270; Czynniki

& # 8270; Ramki danych

& # 8270; Lista

• Importuj / eksportuj dane - Przypisz wartości do struktury danych

• Manipulacja / transformacja danych

• Zastosuj funkcję podstawy R.

• Pakiet dplyr

W przypadku Pythona omówiliśmy następujące -

& # 10020; Konfiguracja środowiska i Essentials Pythona

& # 10045; Wprowadzenie i konfiguracja środowiska

& # 10045; Zmienne przypisanie w Pythonie

& # 10045; Typy danych w Pythonie

& # 10045; Struktura danych: Tuple

& # 10045; Struktura danych: Lista

& # 10045; Struktura danych: Słownik (Dict)

& # 10045; Struktura danych: Ustaw

& # 10045; Operator podstawowy: w

& # 10045; Podstawowy operator: + (plus)

& # 10045; Operator podstawowy: * (pomnóż)

& # 10045; Funkcje

& # 10045; Wbudowana funkcja sekwencji w Pythonie

& # 10045; Oświadczenia dotyczące kontroli przepływu: if, elif, else

& # 10045; Instrukcje kontroli przepływu: dla pętli

& # 10045; Instrukcje kontroli przepływu: while Loops

& # 10045; Obsługa wyjątków

& # 10020; Obliczenia matematyczne z NumPy w Pythonie

& # 10045; Rodzaje tablic

& # 10045; Atrybuty ndarray

& # 10045; Podstawowe operacje

& # 10045; Dostęp do elementu tablicy

& # 10045; Kopiowanie i widoki

& # 10045; Funkcje uniwersalne (ufunc)

& # 10045; Manipulacja kształtem

& # 10045; Nadawanie

& # 10045; Algebra liniowa

& # 10020; Manipulacja danymi za pomocą pand

    • Dlaczego pandy?

    • Struktury danych

    • Seria - Kreacja

    • Seria - Element dostępu

    • Seria - operacje wektoryzacyjne

    • DataFrame - tworzenie

    • Wyświetlanie DataFrame

    • Obsługa brakujących wartości

    • Operacje na danych z funkcjami

    • Funkcje statystyczne dla operacji na danych

    • Operacja danych z GroupBy

    • Operacja na danych: Sortowanie

    • Operacja na danych: scalanie, duplikowanie, konkatenacja

    • Operacja SQL w pandach

Statystyka ma kluczowe znaczenie dla rozpoczęcia nauki w tej dziedzinie.

Terminy używane w statystykach są bardzo dziwne i trudne do zrozumienia dla początkujących, dlatego staraliśmy się wyjaśnić je w bardzo prostym języku dla początkujących, średnio zaawansowanych lub zaawansowanych facetów w dziedzinie nauki danych, uczenia maszynowego, sztucznej inteligencji.

Omówiliśmy tutaj wiele terminów używanych w statystykach, takich jak -

• Hipotezy

• metody ilościowe

• Metody jakościowe

• Zmienne niezależne i zależne

• Zmienne predykcyjne i wyjściowe

• Zmienne kategoryczne

• Zmienna binarna

• Zmienna nominalna

• Zmienna porządkowa

• Zmienna ciągła

• Zmienna interwałowa

• Zmienna proporcja

• Zmienna dyskretna

• Zmylające zmienne

• Błąd pomiaru

• Ważność i niezawodność

• Dwie metody gromadzenia danych

• Rodzaje odmian

• Niesystematyczna odmiana

• Zmiany systematyczne

• Rozkład częstotliwości

• Średnia

• Mediana

• Tryb

• Dyspersja w dystrybucji danych

• Zasięg

• Zakres międzykwartylowy

• Kwartyle

• Prawdopodobieństwo

• Odchylenie standardowe

Najważniejszą zaletą tej aplikacji jest to, że kompletny materiał, z wyjątkiem przykładowego projektu, jest dostępny offline, przykładowa część projektu jest online, ponieważ regularnie dodajemy ją przez Internet.

Kompilator online na urządzeniu mobilnym, możesz napisać kod na urządzeniu mobilnym i uruchomić go, aby zobaczyć dane wyjściowe.

Test / egzamin symulacyjny - Sprawdź swoją wiedzę z zakresu Data Science, podejmując ten egzamin symulacyjny, każde pytanie ma 4 opcje i 1 poprawną odpowiedź.