Tillämpad Data Science med Python eLearning

Tillämpad Data Science med Python eLearning

Lär dig det alltmer populära programmeringsspråket för utveckling

KURSÖVERSIKT

Python är ett programmeringsspråk för allmänna ändamål som växer i popularitet. Företag över hela världen använder Python för att lära sig av data och få ett försprång gentemot sina konkurrenter. Till skillnad från alla andra Python-kurser fokuserar det här programmet på Python specifikt för datavetenskap. Du får lära dig hur du lagrar och manipulerar data samt användbara verktyg för att starta dina egna analyser.

Kursen Python for Data Science omfattar de grundläggande koncepten för Python-programmering och förklarar dataanalys, maskininlärning, datavisualisering, webbskrapning och bearbetning av naturligt språk. Du kommer att få en omfattande förståelse för de olika paket och bibliotek som behövs för att utföra olika aspekter av dataanalys.

VAD INGÅR?

• Kurs och material är på engelska
• Nybörjare - medelgod nivå
• 1 års tillgång till eLearning-plattformen för självstudier 24/7
• 6 timmar videoinnehåll
• 40 timmars studietid rekommenderas
• Virtuella labb, testsimulering, slutprojekt
• Ingen tentamen för kursen men studenten kommer att få certifiering för avslutad utbildning
• Bonus 36 timmars live onlinekurs!

Bonus: Utöver denna praktiska e-learningkurs erbjuder vi dig gratis tillgång till våra onlineklassrumssessioner när de är tillgängliga (var 2–3 månader) utöver din e-learning om du önskar. Du får möjlighet att interagera med utbildaren och andra deltagare. Dessa onlineklassrumssessioner spelas också in, så att du kan behålla inspelningen i 1 år.

KURSENS MÅL Du kommer att lära dig:

I slutet av kursen kommer du att kunna:

• Förvärva en djupgående förståelse för processerna för datavetenskap, datautforskning, datavisualisering, hypotesutveckling och testning.
• Installera den nödvändiga Python-miljön och andra hjälpverktyg och bibliotek
• Förstå de grundläggande koncepten för Python-programmering, t.ex. datatyper, taps, listor, dict, grundläggande operatorer och funktioner.
• Utföra matematiska beräkningar på hög nivå med NumPy-paketet och dess stora bibliotek med matematiska funktioner
• Utföra vetenskapliga och tekniska beräkningar med SciPy-paketet och dess underpaket som Integrate, Optimize, Statistics, IO och Weave
• Utföra dataanalys och manipulation med hjälp av de datastrukturer och verktyg som tillhandahålls i Pandas-paketet
• Förvärva expertis inom maskininlärning med Scikit-Learn-paketet
• Förstå övervakade och oövervakade inlärningsmodeller som linjär regression, logistisk regression, klustring, dimensionalitetsreduktion, K-NN och pipelining.
• Använda Scikit-Learn-paketet för bearbetning av naturligt språk
• Använda matplotlib-biblioteket i Python för datavisualisering
• Extrahera användbar information från webbplatser genom web scraping med Python
• Integrera Python med Hadoop, Spark och MapReduce

Vem bör anmäla sig till detta program?

Den här kursen är idealisk för personer som är intresserade av att göra karriär inom datavetenskap, maskininlärning eller artificiell intelligens och som vill förbättra sina färdigheter i Python-programmering och dataanalys.

• Blivande datavetare
• Dataanalytiker
• Mjukvaruingenjörer eller programmerare
• Forskare och akademiker
• Entusiaster inom maskininlärning
• Studenter och akademiker

Förutsättningar

Eleverna måste ha en grundexamen eller ett gymnasieexamen. Dessutom uppmuntras en nyfikenhet för dataanalys och en önskan att utforska tillämpningarna av Python inom datavetenskap. Det rekommenderas också att ha:

• Grundläggande kunskaper i Python-programmering: Kännedom om grundläggande Python-programmeringskoncept som variabler, loopar, funktioner och kontrollflöde.
• Grundläggande förståelse för statistik: En grundläggande förståelse för statistik, inklusive begrepp som medelvärde, median, standardavvikelse, sannolikhet och korrelation.
• Matematiska kunskaper: Grundläggande matematikkunskaper, särskilt inom områden som algebra och linjär algebra, kommer att vara till hjälp, särskilt när man arbetar med maskininlärningsalgoritmer eller modeller.

Kursens innehåll

Introduktion till datavetenskap

• Konfigurera Jupyter Notebook
• Python-funktioner
• Python-typer och sekvenser
• Python Strängar Djupdykning
• Python Demo: Läsa och skriva csv-filer
• Datum och tid i Python
• Objekt i Python Map
• Lambda och listförståelse
• Varför Python för dataanalys?
• Python-paket för datavetenskap
• StatsModels-paketet
• Scipy-paketet

Grunderna i Python-programmering

• Konfigurera Jupyter Notebook
• Python-funktioner
• Python-typer och sekvenser
• Python Strings djupdykning
• Python Demo: Läsa och skriva csv-filer
• Datum och tid i Python
• Objekt i Python Map
• Lambda och listförståelse
• Varför Python för dataanalys?
• Python-paket för datavetenskap
• StatsModels-paketet
• Scipy-paketet

NumPy

• Grundläggande om NumPy
• Arrayformer och axlar i NumPy: Del A
• NumPy Array-former och axlar: Del B
• Aritmetiska operationer
• Villkorlig logik
• Vanliga matematiska och statistiska funktioner i Numpy
• Indexering och skivning
• Filhantering

Linjär algebra

• Introduktion till linjär algebra
• Skalärer och vektorer
• Punktprodukt av två vektorer
• Linjärt oberoende av vektorer
• Norm för en vektor
• Matrisoperationer
• Rank för en matris
• Determinant för en matris och Identitetsmatris eller -operator
• Inversen av en matris och Eigenvalues och Eigenvectors
• Kalkyl i linjär algebra

Grundläggande statistik

• Betydelsen av statistik med avseende på datavetenskap
• Vanliga statistiska termer
• Olika typer av statistik
• Kategorisering och typer av data
• Nivåer av mätning
• Mått på central tendens
• Mått på spridning
• Slumpmässiga variabler
• Uppsättningar
• Mått på form (skevhet och kurtosis)
• Kovarians och korrelation

Sannolikhetsfördelning

• Sannolikhet, dess betydelse och sannolikhetsfördelning
• Sannolikhetsfördelning: Binomialfördelning
• Sannolikhetsfördelning: Poissonfördelning
• Sannolikhetsfördelning: Normalfördelning
• Sannolikhetsfördelning: Bernoulli-fördelning
• Sannolikhetstäthetsfunktion och massfunktion
• Funktion för kumulativ fördelning
• Centrala gränsvärdessatsen
• Teori för skattning

Avancerad statistik

• Fördelning
• Kurtosis Skevhet och Student's T-distribution
• Hypotesprövning och mekanism
• Utfall av hypotesprövning: Typ I- och II-fel
• Nullhypotesen och alternativhypotesen
• Konfidensintervall
• Felmarginaler
• Jämförelse och kontrastering av T-test och Z-test
• Bayes teorem
• Chi-två-fördelning
• Chi-två-test och god passform
• Analys av varians eller ANOVA
• ANOVA Termonologier
• Partition av varians med hjälp av Python
• F - Distribution med hjälp av Python
• F - Test

Pandor

• Pandoraserier
• Förfrågan på en serie
• Pandas Dataframes
• Pandas Panel
• Vanliga funktioner i Pandas
• Pandas-funktioner Data Statistisk funktion, Windows-funktion
• Pandas-funktionen Data och Timedelta
• Kategoriska data
• Arbeta med textdata
• Iteration
• Sortering
• Plottning med Pandas

Analys av data

• Förståelse av data
• Typer av data Strukturerad ostrukturerad rörig etc.
• Arbeta med data Välja lämpliga verktyg, datainsamling, datahantering
• Importera och exportera data i Python
• Reguljära uttryck i Python
• Manipulera text med reguljära uttryck
• Åtkomst till databaser i Python

Förädling av data

• Pandorable eller idiomatisk Pandas-kod
• Laddning Indexering och omindexering
• Sammanslagning
• Minnesoptimering i Python
• Förbehandling av data: Dataladdning och borttagning av nollvärden
• Förbehandling av data Fyllning av nollvärden
• Formatering och normalisering av data Binning
• Standardisering av data-binning
• Beskriva data

Visualisering av data

• Principer för informationsvisualisering
• Visualisering av data med hjälp av pivottabeller
• Bibliotek för datavisualisering i Python Matplotlib
• Typer av grafer
• Datavisualiseringsbibliotek i Python Seaborn, Ploty, Bokeh
• Använda Matplotlib för att plotta grafer
• Plotta 3D-grafer för flera kolumner med Matplotlib
• Använda Matplotlib med andra Python-paket
• Använda Seaborn för att plotta grafer
• Plotta 3D-grafer för flera kolumner med hjälp av Seaborn
• Introduktion till Plotly och Bokeh