Data Science with R & Python F

R ، پایتون و آموزش آمار برای علوم داده ، یادگیری ماشین و هوش مصنوعی

بازار داده ، دانش و یادگیری ماشین و هوش مصنوعی رونق دارد.

علم داده اساساً داده های ساختاری یا بدون ساختار را به بینش ، درک و دانش با استفاده از روش های علمی ، فرایندها و الگوریتم ها تبدیل می کند.

R و پایتون زبانهای برنامه نویسی منبع آزاد هستند که برای علم آماری ، آماری ، ریاضی ، حل و فصل داده ها ، اکتشاف و تجسم استفاده می شوند. این می تواند با داده های ساختاری (سازمان یافته) و نیمه ساختار یافته (نیمه سازمان یافته) سروکار داشته باشد.

برای یادگیری R برای علم داده ، همه جوانب را به شرح زیر پوشش دادیم:

• مقدمه

• انواع داده در R

• متغیرها در R

• اپراتورها در R

• اظهارات شرط

• عبارات حلقه

• بیانیه های کنترل حلقه

• R Script

• توابع R

• عملکرد سفارشی

• ساختارهای داده

& # 8270؛ بردارهای اتمی

& # 8270؛ ماتریس

& # 8270؛ آرایه ها

& # 8270؛ عوامل

& # 8270؛ قاب داده ها

& # 8270؛ لیست

• واردات / صادرات داده - مقادیر را به ساختار داده اختصاص دهید

• دستکاری / تبدیل داده ها

• عملکرد Base R را اعمال کنید

• بسته بندی dplyr

برای پایتون موارد زیر را تحت پوشش قرار داده ایم -

& # 10020؛ تنظیم محیط و ملزومات پایتون

& # 10045؛ معرفی و تنظیم محیط

& # 10045؛ تکالیف متغیر در پایتون

& # 10045؛ انواع داده در پایتون

& # 10045؛ ساختار داده: Tuple

& # 10045؛ ساختار داده: لیست

& # 10045؛ ساختار داده: فرهنگ لغت (دیکته)

& # 10045؛ ساختار داده: مجموعه

& # 10045؛ Operator Basic: in

& # 10045؛ Operator Basic: + (به علاوه)

& # 10045؛ Operator Basic: * (ضرب)

& # 10045؛ توابع

& # 10045؛ توابع توالی ساخته شده در پایتون

& # 10045؛ کنترل بیانیه های جریان: اگر ، elif ، موارد دیگر

& # 10045؛ عبارت های کنترل جریان: برای حلقه ها

& # 10045؛ عبارت های کنترل جریان: در حالی که حلقه ها

& # 10045؛ Handling Exception

& # 10020؛ محاسبه ریاضی با NumPy در پایتون

& # 10045؛ انواع آرایه ها

& # 10045؛ ویژگی های ndarray

& # 10045؛ عملیات اساسی

& # 10045؛ دسترسی به عنصر Array

& # 10045؛ کپی و بازدیدها

& # 10045؛ توابع جهانی (ufunc)

& # 10045؛ دستکاری شکل

& # 10045؛ پخش

& # 10045؛ جبر خطی

& # 10020؛ دستکاری داده با پاندا

    • چرا پاندا؟

    • ساختارهای داده

    • سریال - ایجاد

    • سری - عنصر دسترسی

    • سری - عملیات بردار سازی

    • DataFrame - ایجاد

    • مشاهده DataFrame

    • رسیدگی به ارزشهای از دست رفته

    • عملیات داده با توابع

    • عملکردهای آماری برای عملیات داده

    • عملیات داده با GroupBy

    • عملیات داده: مرتب سازی

    • بهره برداری از داده ها: ادغام ، تکثیر ، جمع بندی

    • عملیات SQL در پاندا

آمار بخش اساسی برای شروع یادگیری در این زمینه است.

اصطلاحاتی که در آمار استفاده می شود برای مبتدیان بسیار عجیب و دشوار است ، بنابراین ما تمام تلاش خود را برای توضیح این اصطلاحات به زبان بسیار آسان برای افراد تازه کار ، متوسط ​​یا پیشرفته در زمینه های Data Science ، Machine Learning ، AI انجام دادیم.

در اینجا ما عبارات بسیاری را که در آمارهایی مانند:

• فرضیه ها

• روش های کمی

• روش های کیفی

• متغیرهای مستقل و وابسته

• متغیرهای پیش بینی کننده و نتیجه

• متغیرهای طبقه بندی شده

• متغیر دودویی

• متغیر اسمی

• متغیر معمولی

• متغیر مداوم

• متغیر فاصله

• متغیر نسبت

• متغیر گسسته

• متغیرهای مخدوش کننده

• خطای اندازه گیری

• اعتبار و اعتماد

• دو روش جمع آوری داده ها

• انواع تغییر

• تنوع غیر سیستماتیک

• تنوع سیستمی

• توزیع فرکانس

• میانگین

• میانه

• حالت

• پراکندگی در توزیع داده ها

• دامنه

• محدوده بین بخشی

• یک چهارم

• احتمال

• انحراف معیار

مهمترین مزیت این برنامه این است که مواد کامل به جز نمونه پروژه بصورت آفلاین در دسترس است ، بخش پروژه نمونه آنلاین است زیرا ما به طور مرتب آن را اضافه می کنیم.

کامپایلر آنلاین در دستگاه تلفن همراه ، می توانید کد را بر روی موبایل بنویسید و آن را اجرا کنید تا خروجی را مشاهده کنید.

آزمون شبیه سازی / امتحان - با استفاده از این آزمون شبیه سازی ، دانش خود را در Data Science بررسی کنید ، هر سوال دارای 4 گزینه و 1 پاسخ صحیح است.