پیادهسازی سیاست برای مقادیر گمشده در پایتون
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
هر مجموعهدادهای، صرفنظر از منشأ آن، اغلب با مشکل مقادیر گمشده مواجه است. چنین شکافهایی میتوانند تحلیل را منحرف کنند، منجر به نتیجهگیریهای اشتباه شوند و حتی مدلهای یادگیری ماشین را از مسیر خارج کنند.
در این دوره، "پیادهسازی سیاست برای مقادیر گمشده در پایتون"، شما توانایی مدیریت و جایگزینی مؤثر مقادیر گمشده در هر مجموعهدادهای را به دست خواهید آورد.
ابتدا، پیامدهای داده گمشده را بررسی کرده و استراتژیهای اصولی مانند دراپ کردن نمونهها یا ویژگیها را درک خواهید کرد.
سپس، هنر و علم جایگزینی را کشف خواهید کرد و به بررسی عمیق تکنیکهای شامل میانگین، میانه و مد خواهید پرداخت.
در نهایت، بیاموزید که چگونه از مدلهای رگرسیون و سایر متدهای پیشرفته برای پیشبینی هوشمندانه و پر کردن این فضاهای دادهای استفاده کنید.
هنگامی که این دوره را به پایان رساندید، مهارتها و دانش جایگزینی داده مورد نیاز برای اطمینان از یکپارچگی مجموعهداده و افزایش کیفیت تصمیمات داده محور خود را خواهید داشت.
پیادهسازی سیاست برای مقادیر گمشده در پایتون
-
بررسی دوره 0:02:00
-
معرفی دوره و ماژول 0:02:00
-
داده گمشده چیست و چه چیزی باعث آن میشود؟ 0:04:00
-
تأثیر داده گمشده 0:01:00
-
تقاطع تصمیمگیری - دراپ کنیم یا نه؟ 0:02:00
-
آشنایی با جایگزینی 0:01:00
-
بررسی جایگزینی با استفاده از میانگین 0:02:00
-
متعادلسازی داده با میانه 0:02:00
-
توجه به داده دستهای: جایگزینی با استفاده از مد 0:02:00
-
راهحلهای توالی: پر کردن به جلو و به عقب 0:02:00
-
دمو: آشنایی با مجموعه داده 0:03:00
-
دمو: راهاندازی محیط شما 0:02:00
-
دمو: مدیریت داده گمشده - بخش 1 0:05:00
-
دمو: مدیریت داده گمشده - بخش 2 0:05:00
-
خلاصه ماژول 0:01:00
-
مقدمهای بر ماژول 0:01:00
-
جایگزینی با رگرسیون رونمایی شد 0:02:00
-
چگونه رگرسیون خلأ را پر میکند؟ 0:03:00
-
فراتر از رگرسیون: KNN و MICE 0:04:00
-
انتخاب تکنیک مناسب 0:03:00
-
دمو: جایگزینی مقادیر عددی گمشده با استفاده از رگرسیون 0:04:00
-
خلاصه ماژول 0:02:00
مشخصات آموزش
پیادهسازی سیاست برای مقادیر گمشده در پایتون
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:مقدماتی
- تعداد درس:22
- مدت زمان :0:54:11
- حجم :135.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy