《掌握Python数据分析及建模精髓》(Master Python Data Analysis and Modelling Essentials )英文课介绍
英语讲解,简单易懂。
主要学习内容:
|
|
课程简单描述:
我们生活在数据爆炸的时代,数据无处不在,无处不有。因此,掌握数据分析和建模技术,上至一个国家战略计划的制定,到一个企业的发展分析和预测,下至一个家庭和个人的投资分析,都至关重要。Python 是目前世界上最流行,也是最简单易学的编程语言之一。由于众多内置库和第三方库,它是科学计算、数据分析和机器学习的最常用的编程语言。根据世界知名的 TIOBE 指数,自 2021 年 10 月以来,Python 已经超越 Java 和 C,成为时间最流行的编程语言。根据 KDnuggets 民意调查,Python 是数据科学和机器学习平台的顶级编程语言。在 2021 年 IEEE Spectrum 的顶级编程语言排名中,Python 也位居第一。
本课程运用真实世界中的数据集和著名的 Python 数据分析、建模和可视化库向学员展示如何探索数据、发现数据中的价值和问题,数据的准备和预处理等方法,以及运用简单易解的实例讲授统计回归模型和机器学习回归模型的建模过程、结果的分析、评估、模型的改进以及可视化等方法。
课程目录:
共6章38课
1. 课程介绍 |
1.1 课程和讲师简介 |
1.2 课程内容简介 |
1.3 课件、代码使用及下载 |
1.4 数据分析和模拟的流程 |
2. Python开发环境搭建 |
2.1 Anaconda Python安装 |
2.2 所需库介绍 |
2.3 所需库的安装 |
2.4 创建和使用工作目录 |
3. 数据探索分析 |
3.1 数据下载 |
3.2 数据的读入及保存 |
3.3 数据框的信息查看 |
3.4 数据列名称更改 |
3.5 数据切片 |
3.6 数据排序 |
3.7 数据过滤 |
3.8 数据分组 |
3.9 数据汇总统计 |
4. 数据准备和预处理 |
4.1 缺失值检测 |
4.2 缺失值插补 |
4.3 异常值检测 |
4.4 异常值处理 |
4.5 相关分析和变量选择 |
4.6 分类数据集编码 |
4.7数据集划分 |
4.8数据集归一化 |
5. 传统统计建模 |
5.1 统计建模流程 |
5.2 统计建模数据归一化 |
5.3 模型参数估计 |
5.4结果分析 |
5.5多重共线性 |
5.6模型改进 |
5.7 模型评估 |
5.8 模型结果展示 |
6. 机器学习回归模型 |
6.1 机器学习建模流程 |
6.2 模型训练 |
6.3 模型评估 |
6.3 模型改进 |
6.4 模型结果展示 |
课程要求:
具有基本Python编程知识,或其他编程经验。
本课程适用于:
- 业务分析师
- l数据分析专业人士
- l统计学家
- 从事数据分析、建模和机器学习的工程师和科学家
- 任何想学习使用 Python 进行数据分析和建模者
本课程特别适合数据分析初学者和中级水平者,但许多方法对高级学习者也很有帮助。
课程网站:https://deepsim.institute/
可用微信和支付宝扫码支付。如有问题,跟帖留言。