Этот курс даст вам навыки и инструменты для глубокого погружения в data science с использованием Python. Мы предполагаем, что у вас есть базовые знания Python, но нет знаний в области концепций data science. Курс познакомит вас с теми же инструментами, которые используют data scientists, инженеры по данным и аналитики для решения реальных задач.
В этом курсе вы:
Погрузитесь в загрузку, очистку, суммирование и основную статистику с данными в форматах CSV и Excel.
Освоите искусство объединения и трансформации наборов данных, чтобы раскрыть скрытые закономерности в проекте "Аналитика розничных данных".
Изучите обработку отсутствующих данных, распознавание аномальных данных и основные техники машинного обучения на примере "Глубокого погружения в медицинские данные".
Создадите модели для исследования тенденций качества воздуха и обзоров фильмов.
Построите интерактивные панели управления с использованием Plotly и исследуете базы данных SQL в разделе "Интерактивные панели и исследование SQL".
Научитесь использовать мощные библиотеки, такие как Pandas, Matplotlib, Plotly и другие.
Посмотреть больше
Это пробный урок. Оформите подписку, чтобы получить доступ ко всем материалам курса. Премиум
Урок 1.
00:00:51
Welcome
Урок 2.
00:02:01
Installing Jupyter in a Virtual Environment
Урок 3.
00:01:37
Running in Github Codespaces
Урок 4.
00:02:09
How to use Jupyter
Урок 5.
00:01:11
How to use VS Code
Урок 6.
00:00:27
Remember the Exercises
Урок 7.
00:00:34
Intro csv v2
Урок 8.
00:05:26
Loading CSV data from a ZIP file with Pandas and Pyarrow
Урок 9.
00:06:35
Summary stats in Pandas using describe, dtypes, and quantile
Урок 10.
00:05:36
Pearson and Spearman Correlations in Pandas and Heatmaps
Урок 11.
00:04:50
Understanding Pandas Categoricals with value_counts and Cross Tabulations
Урок 12.
00:08:37
Visualizations in Pandas, with Histograms, Scatterplots, and Barplots
Урок 13.
00:00:25
Summary
Урок 14.
00:00:42
Intro excel
Урок 15.
00:01:46
Create an Excel in Pandas with to_excel
Урок 16.
00:01:31
Read Excel file in Pandas with read_excel and Pyarrow
Урок 17.
00:03:03
Understanding Counts and Frequencies of Missing Data in Pandas with isna, any, sum, and mean
Урок 18.
00:02:07
Quantifying Strings with filter and value_counts
Урок 19.
00:03:33
Understanding Numbers with Correlations, Scatterplots, and Histograms
Урок 20.
00:01:49
Writing and Formatting Excel Sheets in Pandas with to_excel and XlsxWriter add_format
Урок 21.
00:00:11
Summary
Урок 22.
00:00:15
Intro
Урок 23.
00:00:57
Loading Data for Merging with Pyarrow
Урок 24.
00:01:34
Merging Dataframes with the merge method and left_on, right_on parameters
Урок 25.
00:02:51
Validating one to one and one to many merges
Урок 26.
00:02:36
Debugging Merging by piping dataframe size
Урок 27.
00:02:19
Cleanup columns after merging with loc
Урок 28.
00:00:56
Export Merged data to Excel
Урок 29.
00:00:31
Merging summary
Урок 30.
00:00:38
Intro grouping
Урок 31.
00:00:33
Loading Retail Data from Excel into Pandas Dataframe
Урок 32.
00:00:49
Using Feather and Pyarrow to Speed up loading Retail Data in Pandas
Урок 33.
00:03:48
Exploratory Data Analysis (EDA) in Pandas with describe, histograms, and value_counts
Урок 34.
00:02:44
Aggregating in Pandas to Calculate Sales by Year
Урок 35.
00:06:06
Using Groupby in Pandas to visualize Sales by country
Урок 36.
00:03:36
Using Grouper in Pandas to Groupby by Month Frequency
Урок 37.
00:05:31
Grouping by Month and Country and Visualizing with a Line Plot
Урок 38.
00:00:26
Summary
Урок 39.
00:00:37
Intro cleaning
Урок 40.
00:00:47
Loading Multiple Files into a Single Pandas Datafarme with Glob
Урок 41.
00:02:47
Understanding the Heart Data to Cleanup
Урок 42.
00:00:44
Fixing the Age Column Type to Int8
Урок 43.
00:01:18
Converting the Numeric Sex Column into a String
Урок 44.
00:00:49
Converting the Chest Pain Column into an Int8
Урок 45.
00:02:25
Dealing with ? Characters in the Trestbps Numeric Column
Урок 46.
00:03:08
Creating a Function to Repeat Common Cleanup in the Chol Column
Урок 47.
00:01:05
Using the Cleanup Function for the Fbs Column
Урок 48.
00:01:28
Fixing the Restecg Column
Урок 49.
00:00:14
Fixing the Thalach Column
Урок 50.
00:00:15
Fixing the Exang Column
Урок 51.
00:00:23
Updating the Cleanup Function to Clean the Oldpeak Column
Урок 52.
00:00:19
Cleaning the Slope Column
Урок 53.
00:00:18
Cleaning the Ca Column
Урок 54.
00:00:39
Converting Numeric Values to Catgoricals with the Thal Column
Урок 55.
00:01:07
Fixing the Num Column
Урок 56.
00:00:50
Comparing Memory usage in Pandas with memory_usage
Урок 57.
00:04:19
Refactoring to a Function in Pandas for Cleanup
Урок 58.
00:00:06
Cleaning summary
Урок 59.
00:00:31
Intro time series air quality dataset
Урок 60.
00:00:51
Load CSV file from a Zip file with Pandas
Урок 61.
00:00:52
Checking for Missing Values and Shape in Pandas
Урок 62.
00:02:04
Parsing Dates Using Format Strings and to_datetime
Урок 63.
00:02:36
Rename columns in Pandas to Remove Invalid Characters
Урок 64.
00:00:52
Make a Function to Clean up Pandas Data
Урок 65.
00:00:57
Converting Dates to UTC in Pandas
Урок 66.
00:01:30
Converting Dates to Italian time in Pandas and pytz
Урок 67.
00:03:24
Making Line Plots for Time Series Data in Pandas
Урок 68.
00:03:27
Interpolating and Filling in Missing values in Pandas
Урок 69.
00:02:30
Resampling Time Series Data in Pandas with resample
Урок 70.
00:01:45
Creating 7 Day Rolling Averages in Pandas with rolling
Урок 71.
00:00:16
Updating the Function with Cleanup Functionality
Урок 72.
00:00:22
Summary
Урок 73.
00:00:25
Intro text v2
Урок 74.
00:01:32
Load movie review text data from a directory
Урок 75.
00:00:55
Exploring the str attribute in Pandas for String manipulation
Урок 76.
00:02:44
Using Spacy to Remove Stop words in Pandas
Урок 77.
00:01:44
Using scikit-learn to calculate Tfidf for Pandas text
Урок 78.
00:02:40
Using XGBoost to Create a Classification Model
Урок 79.
00:01:40
Predicting Values with XGBoost and Pandas
Урок 80.
00:00:21
Intro v2
Урок 81.
00:02:00
Combining Multiple Datasets with Pandas and concat
Урок 82.
00:05:01
Exploring heart disease with aggregations and scatterplots
Урок 83.
00:04:59
Preparing a Pandas Dataset to Create an XGBoost Model
Урок 84.
00:06:02
Tuning an XGBoost Model with Hyperopt
Урок 85.
00:01:48
Using a Confusion matrix to Understand the Model
Урок 86.
00:00:09
Ml summary
Урок 87.
00:00:13
Intro SQL
Урок 88.
00:01:32
Load CSV data into a Pandas dataframe and cleaning it
Урок 89.
00:00:55
Using SqlAlchemy to Connect to a SQLite Database
Урок 90.
00:00:31
Create a database table with Pandas using to_sql
Урок 91.
00:01:19
Query a SQLite table from Pandas using read_sql
Урок 92.
00:01:57
Query a SQLite table with Pandas
Урок 93.
00:01:54
Visualize SQLite Data using Pandas
Урок 94.
00:00:27
Summary SQL
Урок 95.
00:00:11
Intro plotly
Урок 96.
00:00:22
Load CSV data into Pandas dataframe
Урок 97.
00:01:45
Clean Pandas data with a function for plotly
Урок 98.
00:02:01
Creating a Line Plot in Plotly for Pandas
Урок 99.
00:02:29
Creating a Bar plot in Plotly
Урок 100.
00:03:41
Creating a Scatter plot in Plotly
Урок 101.
00:01:43
Creating a Dashboard with Dash and Plotly Graphs
Урок 102.
00:01:10
Creating a Plotly Dashboard using Dash with Widgets
Talk Python Training - это ведущая онлайн-тренинговая компания, основанная в 2016 году с явной целью обеспечения высококачественного, глубоко технического обучения Python.
Команда внимательно читает ваши комментарии и оперативно на них реагирует. Вы можете спокойно оставлять запросы на обновления или задавать любые вопросы о курсе здесь.
Вы научитесь решать задачи, которые дают на собеседованиях в компании размера FAANG, Snapchat, Amazon. Курс также идеально подходит к поступлению в Школу анализа данных от Яндекс. Программа разработана преподавателями ВМК МГУ, одного из лучших математических факультетов страны.
Python - Полный Курс по Python, Django, Data Science и ML
Python - это самый простой язык программирования в мире. Но в то же время, Python является мощным инструментом, с помощью которого можно решать огромный спектр различных задач, начиная от обработки файлов, и заканчивая машинным обучением, обработкой данных, созданием игр и созданием веб приложений.
Data Science for Business | 6 Real-world Case Studies
Вы хотите получить высокооплачиваемую работу в области науки о данных? Или вы опытный специалист по искусственному интеллекту и хотите подняться по карьерной лестнице? Может вы начинающий предприниматель, который хочет максимизировать доход от бизнеса с помощью науки о данных и искусственного интеллекта? Если хотя бы на один из этих вопросов ответ положительный, то этот курс для вас! Наука о данных — одна из самых горячих технологических об
Python для Data Science и машинного обучения - Bootcamp
Python for Data Science and Machine Learning Bootcamp
Готовы ли вы начать свой путь, чтобы стать Data Scientist! Этот всеобъемлющий курс станет вашим руководством к изучению того, как использовать возможности Python для анализа данных, создания красивых визуализаций и использования мощных алгоритмов машинного обучения!