تکنیک‌های تحلیل اکتشافی داده‌ در پایتون

آنچه یاد خواهید گرفت:

تحلیل اکتشافی داده‌ (EDA) بسیار مهم است، زیرا به کشف الگوهای پنهان، شناسایی ناهنجاری‌ها و تست فرضیه‌ها در مجموعه‌داده‌ کمک می‌کند. این امر اصولی قوی برای یادگیری ماشین و هوش مصنوعی فراهم می‌آورد.

در این دوره، "تکنیک‌های تحلیل اکتشافی داده‌ در پایتون"، شما مجموعه‌ای از متدها و تکنیک‌ها را برای تست داده‌ خود با استفاده از پایتون خواهید آموخت.

ابتدا، بررسی بصری و تکنیک‌های رسم نمودار، مانند نمودارهای خطی، نمودارهای میله‌ای، هیستوگرام‌ها و نقشه‌های حرارتی را با استفاده از کتابخانه‌های پایتون مانند Matplotlib و Seaborn بررسی خواهید کرد. همچنین درباره متدهای خوشه‌بندی بصری مانند K-means و خوشه‌بندی سلسله‌مراتبی خواهید آموخت.

در مرحله بعد، به مصورسازی توزیع‌های مختلف داده‌، از جمله نرمال و پواسون، با استفاده از SciPy و Matplotlib پایتون خواهید پرداخت، و سپس تکنیک‌های اکتشافی کمی پیشرفته مانند Median Polish و Ordination را فرا خواهید گرفت.

در نهایت، خلاصه‌سازی داده‌ با استفاده از تکنیک‌های آمار توصیفی و تسلط به متدهای نمونه‌گیری در پایتون را خواهید آموخت. همچنین به بررسی همبستگی در علم داده خواهید پرداخت که شامل انواع ضرایب همبستگی، محاسبه، تفسیر و مصورسازی آنها با کتابخانه‌های پایتون مانند pandas و Seaborn می‌شود.

پس از اتمام این دوره، مهارت‌ها و دانش لازم برای تحلیل اکتشافی داده‌ (EDA) با استفاده از پایتون را کسب خواهید کرد.