Przejdź do głównej treści

Strona główna Python

Kurs

Analiza danych IoT w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 06.2024

Dowiedz się, jak importować, czyścić i przetwarzać dane IoT w Pythonie, aby przygotować je do machine learning.

Zacznij kurs za darmo

PythonData Manipulation

4 godz.

16 filmów

53 Ćwiczenia

4,250 XP

6,930

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Słyszałeś już o urządzeniach Internetu Rzeczy? Na pewno tak. Może masz nawet w domu Raspberry Pi monitorujące temperaturę i wilgotność. Urządzenia IoT są wszędzie wokół nas i zbierają dane o naszym otoczeniu. W tym kursie przeanalizujesz dane środowiskowe, dane o ruchu drogowym oraz dane z liczników energii. Dowiesz się, jak zbierać i przechowywać dane ze strumienia danych. Przygotujesz dane IoT do analizy, przeanalizujesz je i zwizualizujesz, a na koniec zbudujesz prosty model uczenia maszynowego, który będzie reagował na określone zdarzenia – i wdrożysz go w strumieniu danych w czasie rzeczywistym.

Wymagania wstępne

Data Manipulation with pandas

1

Dostęp do danych IoT

W tym rozdziale poznasz, czym są dane IoT. Następnie dowiesz się, jak pozyskiwać dane IoT przez REST API oraz jak używać strumienia danych MQTT do zbierania danych w czasie rzeczywistym.

Wprowadzenie do danych IoT

Urządzenia IoT

Pobieranie danych

Pobieranie danych za pomocą biblioteki pandas

Poznaj dane

Zapisywanie danych

Wczytywanie danych z pliku

Analiza danych

Wprowadzenie do strumieni danych

Czym jest MQTT

MQTT – pojedyncza wiadomość

Zapisywanie strumienia danych

Zacznij rozdział

2

Przetwarzanie danych IoT

W drugim rozdziale przyjrzysz się danym zebranym w pierwszym rozdziale. Zwizualizujesz je i zrozumiesz, dlaczego znaczniki czasu są tak ważne przy pracy ze strumieniami danych. Zaimplementujesz również buforowanie w strumieniu danych MQTT.

Wykonaj EDA

Wykresy liniowe

Czyszczenie danych

Obsługa brakujących danych

Brakujące dane

Brakujące dane II

Zbieranie minimalnych danych przyrostowych

Który znacznik czasu?

Buforowanie strumienia danych

Data i czas

Przygotowanie i wizualizacja danych przyrostowych

Przestawianie danych (pivot)

Przekształcanie danych

Analiza danych licznika energii

Zacznij rozdział

3

Analiza danych IoT

W tym rozdziale połączysz wiele źródeł danych o różnych interwałach czasowych. Następnie przeanalizujesz te dane, aby wykryć korelacje, wartości odstające i trendy.

Łączenie źródeł danych do dalszej analizy

Łączenie ramek danych

Łączenie i próbkowanie danych

Mapy ciepła

Wartości odstające

Odchylenie standardowe

Autokorelacja

Sezonowość i trendy

Dekompozycja sezonowości

Dekompozycja sezonowości II

Zacznij rozdział

4

Uczenie maszynowe dla IoT

W tym ostatnim rozdziale wykorzystasz dane przeanalizowane w poprzednich rozdziałach do zbudowania potoku uczenia maszynowego. Dowiesz się też, jak wdrożyć ten potok w strumieniu danych, aby generować predykcje w czasie rzeczywistym.

Przygotowanie danych do uczenia maszynowego

Podział na zbiór treningowy i testowy

Regresja logistyczna

Skalowanie danych na potrzeby uczenia maszynowego

Wydajność modelu

Skalowanie II

Tworzenie potoku uczenia maszynowego

Tworzenie potoków

Zapisywanie potoku

Zastosowanie modelu uczenia maszynowego

Predykcje modelu

Zastosowanie modelu do strumienia danych

Podsumowanie

Zacznij rozdział

Analiza danych IoT w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Analiza danych IoT w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.