|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/eda-descriptive-statistics-using-python-part-1/
课程评论：没有评论
**课程名称：** EDA / Descriptive Statistics using Python (Part - 1) **课程概述：** 本课程旨在帮助数据科学领域的初学者掌握项目管理方法论，学习如何结构化地处理数据科学项目。课程将强调理解业务问题的重要性，同时深入探讨项目目标、约束条件以及成功标准的定义。成功标准将涵盖业务、机器学习和经济学等多个层面。学员还将学习项目初期最重要的文档——项目章程。 课程内容包括： * **数据类型与测量：** 解释各种数据类型以及数据的四种测量尺度，并介绍数据收集机制，以确保获取适合后续分析的数据。 * **数据收集技术：** 详细讲解一手数据收集技术，包括调查问卷和实验设计。 * **探索性数据分析（EDA）/描述性分析：** 重点教授“商业四种时刻”的理解以及各种图表表示方法，包括单变量、双变量和多变量图。将详细讲解箱线图、直方图、散点图和Q-Q图。 * **Python数据预处理：** 强调使用Python进行数据预处理，以确保为模型构建提供合适的数据输入。课程将通过实际应用数据集，讨论异常值分析、插补技术、数据缩放等数据预处理技术。 **课程目标：** * 理解数据科学项目的管理流程。 * 掌握识别和定义业务问题、目标、约束和成功标准的方法。 * 熟悉数据收集的关键概念和技术。 * 能够运用Python进行探索性数据分析和描述性统计。 * 熟练掌握常用的数据可视化技术。 * 掌握使用Python进行常见的数据预处理任务，为模型构建做好数据准备。 **目标学员：** * 希望进入数据科学领域的初学者。 * 对数据分析、数据可视化和数据预处理感兴趣的人员。
This program will help aspirants getting into the field of data science understand the concepts of project management methodology. This will be a structured approach in handling data science projects. Importance of understanding business problem alongside understanding the objectives, constraints and defining success criteria will be learnt. Success criteria will include Business, ML as well as Economic aspects. Learn about the first document which gets created on any project which is Project Charter. The various data types and the four measures of data will be explained alongside data collection mechanisms so that appropriate data is obtained for further analysis. Primary data collection techniques including surveys as well as experiments will be explained in detail. Exploratory Data Analysis or Descriptive Analytics will be explained with focus on all the ‘4' moments of business moments as well as graphical representations, which also includes univariate, bivariate and multivariate plots. Box plots, Histograms, Scatter plots and Q-Q plots will be explained. Prime focus will be in understanding the data preprocessing techniques using Python. This will ensure that appropriate data is given as input for model building. Data preprocessing techniques including outlier analysis, imputation techniques, scaling techniques, etc., will be discussed using practical oriented datasets.
