Yeni bir veri kümesine nasıl yaklaşmalısın? Kategorik ve sayısal verileri doğrulamayı ve özetlemeyi, bulgularını aktaracak Seaborn görselleştirmeleri oluşturmayı öğren.

İlk keşif

İlk keşif için fonksiyonlar

Kategorik değerleri sayma

2021'de küresel işsizlik

Veri doğrulama

Veri türlerini tespit etme

Kıtaları doğrulama

Aralık doğrulaması

Veri özetleme

.groupby() ve .agg() ile özetler

Adlandırılmış toplulaştırmalar

Kategorik özetleri görselleştirme

Bir Veri Kümesini Tanımak

Veriyi keşfetmek ve analiz etmek çoğu zaman eksik değerler, hatalı veri tipleri ve aykırı değerlerle uğraşmayı gerektirir. Bu bölümde, bu sorunlarla başa çıkma tekniklerini öğrenerek EDA süreçlerini daha akıcı hale getireceksin!

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

Veri Temizleme ve Atama

Veri kümelerindeki değişkenler tek başına var olmaz; birbirleriyle ilişkilidir. Bu bölümde, sayısal, kategorik ve hatta DateTime verilerinde ilişkileri inceleyecek; bu ilişkilerin yönünü ve gücünü, ayrıca bunları görselleştirmenin yollarını keşfedeceksin.

Zaman içindeki kalıplar

DateTime verilerini içe aktarma

Veri türünü DateTime olarak güncelleme

Zaman içinde ilişkileri görselleştirme

Korelasyon

Bir ısı haritasını yorumlama

Değişken ilişkilerini görselleştirme

Birden çok değişken ilişkisinin görselleştirilmesi

Faktör ilişkileri ve dağılımlar

Saçılım grafiklerinde kategorik veriler

KDE grafikleriyle keşif

Verilerde İlişkiler

Keşifsel veri analizi, veri bilimi iş akışının kritik bir adımıdır ama son durak değildir! Artık keşfi tamamladıktan sonra projelerinde güvenle ilerlemeni sağlayacak teknikleri ve dikkat edilmesi gereken noktaları öğrenme zamanı!

Kategorik veriler için dikkat edilmesi gerekenler

Sınıf dengesizliğini kontrol etme

Çapraz Tablo

Yeni özellikler oluşturma

Korelasyon için özellik çıkarma

Maaş yüzdeliklerini hesaplama

Maaşları kategorilere ayırma

Hipotez oluşturma

Maaşları karşılaştırma

Bir hipotez seçme

Tebrikler

Keşifsel Analizi Eyleme Dönüştürmek

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 etkileşimli egzersiz