After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Masz dość pracy z niechlujnymi danymi? Wiesz, że większość czasu analityka danych pochłania wyszukiwanie, czyszczenie i porządkowanie danych? Na szczęście można to robić sprytnie! W tym kursie – Braki danych w Pythonie – nauczysz się właśnie tego. Dowiesz się, jak radzić sobie z brakującymi wartościami w danych liczbowych, kategorycznych i szeregach czasowych. Nauczysz się rozpoznawać wzorce, jakie wykazują braki danych. Pracując na danych dotyczących jakości powietrza i cukrzycy, przeanalizujesz braki, uzupełnisz je metodami imputacji i ocenisz wpływ tych operacji na dane.
Wymagania wstępne
Program kursu
Plan kursu
1
Problem brakujących danych
Zapoznaj się z brakującymi danymi i ich wpływem na analizę. Dowiedz się, jak wykonywać różne operacje na wartościach pustych w zbiorze danych, jak wykrywać braki i jak je podsumowywać.
- Dlaczego warto zajmować się brakującymi danymi?50 XP
- Kroki postępowania z brakującymi wartościami50 XP
- Operacje na wartościach null100 XP
- Znajdowanie wartości null100 XP
- Obsługa brakujących wartości50 XP
- Wykrywanie brakujących wartości100 XP
- Zastępowanie brakujących wartości100 XP
- Zastępowanie ukrytych brakujących wartości100 XP
- Analiza stopnia brakujących danych50 XP
- Analiza procentu brakujących danych100 XP
- Wizualizacja brakujących danych100 XP
2
Czy braki danych mają wzorzec?
Analiza rodzaju brakujących danych to kluczowy krok przed ich uzupełnieniem. W tym rozdziale nauczysz się szczegółowo identyfikować wzorce w danych brakujących i obecnych, a następnie odpowiednio je traktować – między innymi za pomocą usuwania wierszy z brakami.
3
Techniki imputacji
Wejdź w świat imputacji danych! W tym rozdziale zastosujesz podstawowe techniki uzupełniania brakujących wartości i zwizualizujesz wyniki imputacji, aby ocenić ich jakość.
4
Zaawansowane techniki imputacji
Wyjdź poza podstawowe techniki imputacji i w pełni wykorzystaj potencjał swojego zbioru danych. Zaawansowane metody oparte na modelach uczenia maszynowego pozwolą ci dokładnie uzupełnić braki i ocenić wyniki. Skorzystasz z metod takich jak KNN i MICE, aby jak najlepiej poradzić sobie z brakującymi danymi.
Braki danych w Pythonie
Kurs
ukończony
