Numerische EDA

Vor ein paar Jahren begann KIC 8462852, auch bekannt als Tabbys Stern, stark an Leuchtkraft zu verlieren. Wir wissen noch nicht genau, warum, aber die Wissenschaftlerinnen und Wissenschaftler gehen der Sache nach, indem sie Beobachtungen zu verschiedenen Zeiten und an verschiedenen Orten aufzeichnen.

Im Folgenden findest du einige deskriptive Statistiken zu den Beobachtungen. Im Gegensatz zu dem qualitativen Datensatz, den wir im Video gesehen haben, besteht der Datensatz zu Tabbys Stern nur aus quantitativen Daten, also erhalten wir Statistiken, wie den Mittelwert und den Median.

Luminosity Observations
+-------+----------+
| count | 52       |
| mean  | 1.169356 |
| std   | 1.230953 |
| min   | 0.974110 |
| 25%   | 0.995637 |
| 50%   | 1.002465 |
| 75%   | 1.008685 |
| max   | 9.874800 |
+-------+----------+

Aus wie vielen separaten Helligkeitsbeobachtungen besteht der Datensatz?

Diese Übung ist Teil des Kurses

Data Science verstehen

Interaktive Übung zum Anfassen

Setzen Sie die Theorie mit einer unserer interaktiven Übungen in die Tat um

Beginnen Sie mit dem Training

Diese Übung ist Teil des Kurses

Data Science verstehen

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Zu Beginn des Kurses werden wir definieren, was Data Science ist. Wir werden uns mit dem Arbeitsablauf in der Data Science befassen und damit, wie Data Science auf reale Probleme angewendet wird. Zum Abschluss des Kapitels lernen wir die verschiedenen Rollen im Bereich der Data Science kennen.

Exercise 1: Was ist Data Science?Exercise 2: Datenwissenschaft überall!Exercise 3: Die Bedeutung der Datenwissenschaft Exercise 4: Anwendungen der Data Science Exercise 5: Die tägliche Dosis Datenwissenschaft Exercise 6: Die Wissenschaft der intelligenten Assistenten Exercise 7: Rollen und Werkzeuge der Data Science Exercise 8: Die Auswahl des richtigen Kandidaten Exercise 9: Die Rolle eines Datenwissenschaftlers

Nachdem wir nun den Arbeitsablauf der Data Science kennen, tauchen wir tiefer in den ersten Schritt ein: das Sammeln und Speichern von Daten. Wir lernen die verschiedenen Datenquellen kennen, aus denen du schöpfen kannst, wie diese Daten aussehen, wie du die Daten nach der Erhebung speichern kannst und wie eine Daten-Pipeline den Prozess automatisieren kann.

Exercise 1: Datenquellen Exercise 2: Datenquellen sortieren Exercise 3: Asthmahäufigkeiten Exercise 4: Datentypen Exercise 5: Datentypen klassifizieren Exercise 6: Net Promoter Score Exercise 7: Aktivitätstracker Exercise 8: Datenspeicherung und -abruf Exercise 9: Cloud-Plattformen Exercise 10: Eine Datenbank abfragen Exercise 11: Welche Art von Datenbank?Exercise 12: Daten-Pipelines Exercise 13: Eigenschaften der Daten-Pipeline Exercise 14: Extrahieren Transformieren Laden

Die Datenaufbereitung ist von grundlegender Bedeutung: Data Scientists verbringen 80 % ihrer Zeit mit dem Bereinigen und Manipulieren von Daten und nur 20 % der Zeit mit der eigentlichen Datenanalyse. In diesem Kapitel erfährst du, wie du Probleme in deinen Daten diagnostizieren und mit fehlenden Werten und Ausreißern umgehen kannst. Anschließend lernst du die Visualisierung kennen, ein weiteres wichtiges Werkzeug, um deine Daten zu erkunden und deine Ergebnisse zu vermitteln.

Exercise 1: Datenaufbereitung Exercise 2: Die Wahrheit ist da draußen Exercise 3: Bist du vorbereitet?Exercise 4: Explorative Datenanalyse Exercise 5: Numerische EDA

Aktuelle Übung

Exercise 6: Visuelle EDA Exercise 7: Visualisierung Exercise 8: Interaktive Dashboards Exercise 9: Ein Dashboard verbessern

In diesem letzten Kapitel geht es um Experimente und Vorhersagen! Wir beginnen mit Experimenten, behandeln A/B-Tests und gehen dann zur Zeitreihenprognose über, wo wir lernen, wie man zukünftige Ereignisse vorhersagt. Zum Schluss befassen wir uns mit dem maschinellen Lernen, dem überwachten Lernen und dem Clustering.

Exercise 1: A/B-Tests Exercise 2: Erstellen eines A/B-Test-Workflows Exercise 3: Statistische Signifikanz Exercise 4: Zwischenergebnisse Exercise 5: Zeitreihenprognose Exercise 6: Zeitreihendaten klassifizieren Exercise 7: Ein Zeitreihendiagramm interpretieren Exercise 8: Überwachtes maschinelles Lernen Exercise 9: Wann überwachte Lernverfahren eingesetzt werden sollten Exercise 10: Merkmale und Labels Exercise 11: Modellbewertung Exercise 12: Clustering Exercise 13: Überwacht oder unüberwacht Exercise 14: Auswahl der Clustergröße Exercise 15: Glückwunsch!