ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Intermediate Predictive Analytics in Python

พื้นฐานระดับทักษะ

อัปเดตแล้ว 08/2567

Learn how to prepare and organize your data for predictive analytics.

เริ่มเรียนหลักสูตรฟรี

PythonMachine Learning4 ชม.15 videos56 Exercises4,350 เอ็กซ์พี6,481คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Building good models only succeeds if you have a decent base table to start with. In this course you will learn how to construct a good base table, create variables and prepare your data for modeling. We finish with advanced topics on the matter.

ข้อกำหนดเบื้องต้น

Introduction to Predictive Analytics in Python

1

Crucial base table concepts

In this chapter you will learn how to construct the foundations of your base table, namely the population and the target.

The basetable timeline

50 เอ็กซ์พี

Timeline violations

50 เอ็กซ์พี

Available data

100 เอ็กซ์พี

Timeline violation

100 เอ็กซ์พี

The population

50 เอ็กซ์พี

Select the relevant population

50 เอ็กซ์พี

A timeline compliant population

100 เอ็กซ์พี

Removing duplicate objects

100 เอ็กซ์พี

50 เอ็กซ์พี

Calculate an event target

100 เอ็กซ์พี

Calculate an aggregated target

100 เอ็กซ์พี

เริ่มบท

2

Creating variables

You will learn how to add variables to the base table that you can use to predict the target.

Adding fixed variables

50 เอ็กซ์พี

Selecting the right value

50 เอ็กซ์พี

100 เอ็กซ์พี

Adding the donor segment

100 เอ็กซ์พี

Adding living place

100 เอ็กซ์พี

Adding aggregated variables

50 เอ็กซ์พี

Selecting the appropriate date

50 เอ็กซ์พี

Maximum value last year

100 เอ็กซ์พี

Recency of donations

100 เอ็กซ์พี

Adding evolutions

50 เอ็กซ์พี

Ratio of last month's and last year's average

100 เอ็กซ์พี

Absolute difference between two years

100 เอ็กซ์พี

Using evolution variables

50 เอ็กซ์พี

Performance of evolution variables

100 เอ็กซ์พี

Meaning of evolution

100 เอ็กซ์พี

เริ่มบท

3

Data preparation

Once you derived variables from the raw data, it is time to clean the data and prepare it for modeling. In this Chapter we discuss the steps that need to be taken to make your data modeling-ready.

Creating dummies

50 เอ็กซ์พี

Creating a dummy from a two-category variable

100 เอ็กซ์พี

Creating dummies from a many-categories variable

100 เอ็กซ์พี

Missing values

50 เอ็กซ์พี

How to replace missing values

50 เอ็กซ์พี

Creating a missing value dummy

100 เอ็กซ์พี

Replace missing values with the median value

100 เอ็กซ์พี

Replace missing values with a fixed value

100 เอ็กซ์พี

Handling outliers

50 เอ็กซ์พี

Influence of outliers on predictive models

50 เอ็กซ์พี

Handle outliers with winsorization

100 เอ็กซ์พี

Handle outliers with standard deviation

100 เอ็กซ์พี

Transformations

50 เอ็กซ์พี

Interactions

50 เอ็กซ์พี

Square root transformation

100 เอ็กซ์พี

Adding interactions to the basetable

100 เอ็กซ์พี

เริ่มบท

4

Advanced base table concepts

In some cases, the target or variables change heavily with the seasons. You will learn how you can deal with seasonality by adding different snapshots to the base table.

Seasonality

50 เอ็กซ์พี

Seasonality or not

50 เอ็กซ์พี

Detecting seasonality

100 เอ็กซ์พี

The effect of seasonality

100 เอ็กซ์พี

Using multiple snapshots

50 เอ็กซ์พี

Target values

50 เอ็กซ์พี

Calculating snapshot targets

100 เอ็กซ์พี

Calculating aggregated variables

100 เอ็กซ์พี

Stacking basetables

100 เอ็กซ์พี

The timegap

50 เอ็กซ์พี

Events during the timegap

50 เอ็กซ์พี

Calculating aggregated variables with timegap

100 เอ็กซ์พี

Adding age with timegap

100 เอ็กซ์พี

Congratulations

50 เอ็กซ์พี

เริ่มบท

Intermediate Predictive Analytics in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

instructors

Nele Verbiest

Data Scientist at Python Predictions

collaborators

Hadrien Lacroix

Nick Solomon

Lore Dirick

Courses resources

Donor IDsdatasets

Basetable with countries and agedatasets

Basetable used in Ex 2.13datasets

Living place of donorsdatasets

Donationsdatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Intermediate Predictive Analytics in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา