Data Science using R & Python offline tutorial for Android

คำอธิบาย

ตลาดวิทยาศาสตร์ข้อมูล แมชชีนเลิร์นนิง และปัญญาประดิษฐ์กำลังเฟื่องฟู

โดยทั่วไปแล้ว วิทยาศาสตร์ข้อมูลจะแปลงข้อมูลที่มีโครงสร้างหรือไม่มีโครงสร้างเป็นข้อมูลเชิงลึก ความเข้าใจ และความรู้โดยใช้วิธีการ กระบวนการ และอัลกอริธึมทางวิทยาศาสตร์

R และ Python เป็นภาษาโปรแกรมทั่วไปส่วนใหญ่ที่ใช้ใน Data Science

R เป็นภาษาโอเพ่นซอร์สฟรีที่ใช้เป็นซอฟต์แวร์ทางสถิติและการแสดงภาพ มันสามารถจัดการกับข้อมูลที่มีโครงสร้าง (จัดระเบียบ) และกึ่งโครงสร้าง (กึ่งจัด)

ในการเรียนรู้ R สำหรับวิทยาศาสตร์ข้อมูล เราได้ครอบคลุมทุกด้านดังนี้:

บทนำ

ประเภทข้อมูลใน R

ตัวแปรใน R

ผู้ประกอบการในR

งบเงื่อนไข

งบวนรอบ

คำสั่งควบคุมวง

R Script

ฟังก์ชัน R

ฟังก์ชั่นกำหนดเอง

โครงสร้างข้อมูล

เวกเตอร์อะตอม

เมทริกซ์

อาร์เรย์

ปัจจัย

ดาต้าเฟรม

รายการ

นำเข้า/ส่งออกข้อมูล กำหนดค่าให้กับโครงสร้างข้อมูล

การจัดการ/การแปลงข้อมูล

ใช้ฟังก์ชันของ Base R

แพ็คเกจ dplyr

สำหรับ Python เราได้กล่าวถึงต่อไปนี้ -

การตั้งค่าสภาพแวดล้อมและสิ่งจำเป็นของ Python

บทนำและการตั้งค่าสภาพแวดล้อม

การกำหนดตัวแปรใน Python

ประเภทข้อมูลใน Python

โครงสร้างข้อมูล: Tuple

โครงสร้างข้อมูล: รายการ

โครงสร้างข้อมูล: พจนานุกรม (Dict)

โครงสร้างข้อมูล: Set

ตัวดำเนินการพื้นฐาน: in

ตัวดำเนินการพื้นฐาน: + (บวก)

ตัวดำเนินการพื้นฐาน: * (คูณ)

ฟังก์ชั่น

ฟังก์ชันลำดับในตัวใน Python

คำสั่งควบคุมการไหล: if, elif, else

คำสั่งควบคุมโฟลว์: สำหรับลูป

คำสั่งควบคุมการไหล: ในขณะที่ลูป

การจัดการข้อยกเว้น

การคำนวณทางคณิตศาสตร์ด้วย NumPy ใน Python

ประเภทของอาร์เรย์

คุณสมบัติของ ndarray

ปฏิบัติการพื้นฐาน

การเข้าถึงองค์ประกอบอาร์เรย์

คัดลอกและดู

ฟังก์ชันสากล (ufunc)

การจัดการรูปร่าง

ออกอากาศ

พีชคณิตเชิงเส้น

การจัดการข้อมูลด้วย Pandas

ทำไมต้องแพนด้า?

โครงสร้างข้อมูล

การสร้างซีรีส์

องค์ประกอบการเข้าถึงซีรีส์

ซีรีส์ Vectorizing operation

การสร้าง DataFrame

กำลังดู DataFrame

การจัดการกับค่าที่หายไป

การดำเนินการข้อมูลด้วยฟังก์ชัน

ฟังก์ชันทางสถิติสำหรับการดำเนินการข้อมูล

การดำเนินการข้อมูลด้วย GroupBy

การทำงานของข้อมูล: การเรียงลำดับ

การทำงานของข้อมูล: ผสาน ทำซ้ำ ต่อกัน

การทำงานของ SQL ใน Pandas

สถิติเป็นส่วนสำคัญในการเริ่มต้นการเรียนรู้ในสาขานี้

คำศัพท์ที่ใช้ในสถิตินั้นแปลกมากและเข้าใจยากสำหรับผู้เริ่มต้น ดังนั้นเราจึงพยายามอย่างเต็มที่เพื่ออธิบายคำศัพท์เหล่านี้ในภาษาที่ง่ายมากสำหรับมือใหม่ ระดับกลาง หรือระดับสูงใน Data Science, Machine Learning, AI field

ที่นี่เราครอบคลุมคำศัพท์มากมายที่ใช้ในสถิติเช่น -

สมมติฐาน

วิธีการเชิงปริมาณ

วิธีการเชิงคุณภาพ

ตัวแปรอิสระและตัวแปรตาม

ตัวทำนายและตัวแปรผลลัพธ์

ตัวแปรหมวดหมู่

ตัวแปรไบนารี

ตัวแปรที่กำหนด

ตัวแปรลำดับ

ตัวแปรต่อเนื่อง

ตัวแปรช่วงเวลา

ตัวแปรอัตราส่วน

ตัวแปรไม่ต่อเนื่อง

ตัวแปรที่สับสน

ข้อผิดพลาดในการวัด

ความถูกต้องและความน่าเชื่อถือ

สองวิธีในการรวบรวมข้อมูล

ประเภทของการเปลี่ยนแปลง

การเปลี่ยนแปลงที่ไม่เป็นระบบ

การเปลี่ยนแปลงอย่างเป็นระบบ

การกระจายความถี่

หมายถึง

ค่ามัธยฐาน

โหมด

การกระจายตัวในการกระจายข้อมูล

แนว

ช่วงระหว่างควอไทล์

ควอร์ไทล์

ความน่าจะเป็น

ส่วนเบี่ยงเบนมาตรฐาน

ข้อได้เปรียบที่สำคัญที่สุดของแอปนี้ที่ทำให้เนื้อหาสมบูรณ์ ยกเว้นโปรเจ็กต์ตัวอย่างจะพร้อมใช้งานแบบออฟไลน์ ส่วนโปรเจ็กต์ตัวอย่างเป็นแบบออนไลน์เพราะเราเพิ่มเนื้อหาบนเว็บเป็นประจำ

คอมไพเลอร์ออนไลน์บนอุปกรณ์พกพา คุณสามารถเขียนโค้ดบนมือถือและเรียกใช้เพื่อดูผลลัพธ์

การทดสอบ/การทดสอบการจำลอง - ตรวจสอบความรู้ของคุณใน Data Science โดยพยายามทำข้อสอบจำลองนี้ คำถามแต่ละข้อมี 4 ตัวเลือกและ 1 คำตอบที่ถูกต้อง