Hướng dẫn Phân tích Dữ liệu

Hiểu cách phân phối t hỗ trợ khi cỡ mẫu nhỏ hoặc phương sai tổng thể chưa biết. So sánh với phân phối chuẩn và Z để biết khi nào mỗi loại phù hợp.

Khám phá các kỹ thuật khác nhau để xử lý hiệu quả giá trị khuyết và cách triển khai chúng trong Python.

Bắt đầu phân tích dữ liệu Titanic với R và tidyverse: học cách filter, arrange, summarise, mutate và trực quan hóa dữ liệu với dplyr và ggplot2!

Trong Python, timedelta là một kiểu dữ liệu trong mô-đun datetime dùng để biểu diễn khoảng thời lượng hoặc chênh lệch giữa hai thời điểm.

Lấy dữ liệu Google Trends của các từ khóa như 'diet' và 'gym' và xem chúng biến động theo thời gian trong khi học về xu hướng và mùa vụ trong dữ liệu chuỗi thời gian.

Tìm hiểu cách tách dữ liệu chuỗi thời gian thành các thành phần có ý nghĩa như xu hướng, mùa vụ và phần dư bằng mô hình cộng và nhân. Tìm hiểu cả phương pháp cổ điển và STL. Khám phá điều chỉnh mùa vụ và thực hành dự báo với các mô hình phân rã.

Học Phân tích chuỗi thời gian với R cùng với cách dùng một gói trong R để dự báo, nhằm khớp chuỗi thời gian thực với mô hình tối ưu.

Bất đẳng thức tam giác không chỉ là một nguyên lý hình học - đó là nền tảng của các thước đo khoảng cách trong khoa học dữ liệu. Khám phá cách khái niệm toán học tao nhã này vận hành các thuật toán trong hình học tính toán, tối ưu hóa và máy học.

Tìm hiểu cách hàm TRIM() xóa khoảng trắng thừa và làm sạch dữ liệu của bạn. Kết hợp với các hàm như SUBSTITUTE(), CLEAN() và VALUE() để xử lý mọi vấn đề định dạng.

Tìm hiểu cách nhanh chóng sửa ngoại lệ ModuleNotFoundError: No module named 'sklearn' với hướng dẫn trực tuyến chi tiết, dễ làm theo.

Làm sạch dữ liệu là một khối xây dựng rất cơ bản của khoa học dữ liệu. Tìm hiểu tầm quan trọng của làm sạch dữ liệu và cách dùng Python để thực hiện quy trình.

Tìm hiểu các trực quan hóa cơ bản cho nhiều cấu trúc dữ liệu khác nhau bằng Bokeh.