Na het volgen van deze cursussen voel ik me zeker genoeg om professionele visualisaties en dashboards te maken
Shoebur RahmanInkoopspecialist, Giz Bangladesh
Cursusbeschrijving
Ben je het zat om met rommelige data te werken? Wist je dat een data scientist het grootste deel van z'n tijd besteedt aan het zoeken, opschonen en herorganiseren van data? Goed nieuws: je kunt je data ook slim opschonen! In deze cursus Omgaan met ontbrekende gegevens in Python ga je precies dat doen. Je leert hoe je ontbrekende waarden aanpakt voor numerieke en categorische data én voor tijdreeksdata. Je leert de patronen in ontbrekende data herkennen. Terwijl je werkt met data over luchtkwaliteit en diabetes, leer je ook analyseren, imputeren en de effecten van imputatie evalueren.
Vereisten
Lesprogramma
Cursusoverzicht
1
Het probleem met ontbrekende data
Maak kennis met ontbrekende data en ontdek hoe dit je analyse beïnvloedt. Leer over verschillende bewerkingen voor null-waarden in je gegevensset, hoe je ontbrekende data vindt en hoe je ontbrekendheid in je data samenvat.
- Waarom omgaan met ontbrekende gegevens?50 XP
- Stappen voor het behandelen van missende waarden50 XP
- Bewerkingen met null-waarden100 XP
- Null-waarden vinden100 XP
- Omgaan met missende waarden50 XP
- Missende waarden detecteren100 XP
- Ontbrekende waarden vervangen100 XP
- Verborgen missende waarden vervangen100 XP
- Analyseer de hoeveelheid ontbrekende waarden50 XP
- Percentage ontbrekende waarden analyseren100 XP
- Visualiseer ontbrekende waarden100 XP
2
Heeft ontbrekendheid een patroon?
Het analyseren van het type ontbrekendheid in je gegevensset is een belangrijke stap om ontbrekende waarden correct te behandelen. In dit hoofdstuk leer je in detail hoe je patronen vaststelt in je ontbrekende en niet-ontbrekende data, en hoe je de ontbrekendheid op de juiste manier aanpakt met eenvoudige technieken zoals listwise deletion.
3
Imputatietechnieken
Duik in de wereld van data-imputatie. In dit hoofdstuk pas je basistechnieken toe om ontbrekende data op te vullen en visualiseer je je imputaties, zodat je de prestaties van je imputaties kunt beoordelen.
4
Geavanceerde imputatietechnieken
Ga tot slot verder dan eenvoudige imputatietechnieken en haal meer uit je gegevensset met geavanceerde technieken die gebruikmaken van Machine Learning-modellen, zodat je ontbrekende data nauwkeurig kunt imputeren en evalueren. Je gebruikt onder andere KNN en MICE om het maximale uit je ontbrekende data te halen.
Omgaan met ontbrekende gegevens in Python
Cursus
voltooid
