What's the best way to approach a new dataset? Learn to validate and summarize categorical and numerical data and create Seaborn visualizations to communicate your findings.

Initial exploration

Functions for initial exploration

Counting categorical values

Global unemployment in 2021

Data validation

Detecting data types

Validating continents

Validating range

Data summarization

Summaries with .groupby() and .agg()

Named aggregations

Visualizing categorical summaries

Getting to Know a Dataset

Exploring and analyzing data often means dealing with missing values, incorrect data types, and outliers. In this chapter, you’ll learn techniques to handle these issues and streamline your EDA processes!

Eksik verileri ele alma

Eksik verilerle başa çıkma

Kalan eksik veriler için stratejiler

Eksik uçak bileti fiyatlarını imputasyonla doldurma

Kategorik verileri dönüştürme ve analiz etme

Benzersiz değerlerin sayısını bulma

Uçuş süresi kategorileri

Süre kategorileri ekleme

Sayısal verilerle çalışmak

Uçuş süresi

Tanımlayıcı istatistikler ekleme

Aykırı değerlerle başa çıkma

Seçenekler

Aykırı değer(leri) kaldır

Aykırı değerleri veri kümesinde bırak

Aykırı değerlere ne yapmalı

Aykırı değerleri belirleme

Aykırı değerleri kaldırma

Data Cleaning and Imputation

Variables in datasets don't exist in a vacuum; they have relationships with each other. In this chapter, you'll look at relationships across numerical, categorical, and even DateTime data, exploring the direction and strength of these relationships as well as ways to visualize them.

Patterns over time

Importing DateTime data

Updating data type to DateTime

Visualizing relationships over time

Correlation

Interpreting a heatmap

Visualizing variable relationships

Visualizing multiple variable relationships

Factor relationships and distributions

Categorical data in scatter plots

Exploring with KDE plots

Relationships in Data

Exploratory data analysis is a crucial step in the data science workflow, but it isn't the end! Now it's time to learn techniques and considerations you can use to successfully move forward with your projects after you've finished exploring!

Considerations for categorical data

Checking for class imbalance

Cross-tabulation

Generating new features

Extracting features for correlation

Calculating salary percentiles

Categorizing salaries

Generating hypotheses

Comparing salaries

Choosing a hypothesis

Congratulations

Turning Exploratory Analysis into Action

unemployment.csv

data_science_salaries.csv

books.csv

divorce.csv

planes.csv

Course Glossary

Elinde ilginç bir veri var — peki analize nereden başlarsın? Bu kurs, bir veri kümesinde neler olduğunu anlamaktan, keşif bulgularını bir veri bilimi iş akışına dahil etmeye kadar veriyi keşfetme ve analiz etme sürecini kapsar. 

İşsizlik rakamları ve uçak bileti fiyatlarına ait verileri kullanarak, Python ile veriyi özetleyip doğrulayacak, eksik değerleri hesaplayıp tespit ederek yerine koyacak ve hem sayısal hem de kategorik değerleri temizleyeceksin. Kurs boyunca, değişkenleri ve aralarındaki ilişkileri anlamak için etkileyici Seaborn görselleştirmeleri oluşturacaksın. 

Son olarak, kurs; yeni özellikler oluşturarak, kategorik özellikleri dengeleyerek ve bulgulardan hipotezler üreterek keşif bulgularının veri bilimi iş akışlarını nasıl beslediğini gösterecek. 

Kursun sonunda, Python’da kendi keşifsel veri analizini (EDA) gerçekleştirme konusunda kendine güveneceksin. Bulgularını görsel olarak başkalarına açıklayabilecek ve verinden içgörü elde etmek için atılacak sonraki adımları önerebileceksin!

Videolarda, sol alttaki "Show transcript"e tıklayarak açabileceğin canlı transkriptler bulunur.									
Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.
									
CPE kredisi almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağdaki CPE kredileri çağrı kutusuna tıklayarak değerlendirmeye gidebilirsin.

Introduction to Statistics in Python

Introduction to Data Visualization with Seaborn

Bu dört saatlik kursla Python'da keşifsel veri analizini öğrenin. Verileri temizleyin ve analiz edin.

Python ile Keşifsel Veri Analizi

Python'da keşifsel veri analizi (EDA) kullanarak verileri keşfetmeyi, görselleştirmeyi ve bunlardan içgörüler elde etmeyi öğrenin.

Yardımcı Veri Bilimcisi  Python'da

Veri Analisti  Python'da

Python Veri Temelleri

Bir sıcaklık sensörü 100 santigrat derece kaydı yapmış, ancak sensör yalnızca 80 dereceye kadar doğru çalışıyor.

Bir çalışmadaki bir katılımcının yaşı eksi 35 olarak girilmiş.

Bir araba hızı 5.000 km/s olarak kaydedilmiş.

Ülkelerin ortalama toplam yüzölçümü 667.143 km², ancak bir ülke 1.637.687 km² olarak kaydedilmiş.

Farklı hayvanların boyları kaydediliyor ve biri, 75. yüzdelik dilime artı 1,5 IQR’ün üzerinde çıkıyor.

Bir basketbolcu maç başına ortalama 35 sayı atıyor; lig genel ortalaması ise maç başına sadece 10 sayı.

Aykırı değerlere ne yapmalı

Python ile Keşifsel Veri Analizi

Uygulamalı interaktif egzersiz