or
Bu egzersiz, kursun bir parçasıdır
Bu ilk bölümde, Power BI'de Python kullanmanın avantajlarını ve sınırlamalarını, ayrıca bu özelliği bir çalışma kitabında nasıl etkinleştireceğini öğreneceksin. Her iki teknolojiyi de ayrı ayrı kullanarak aynı görevi yerine getirip, ikisinin güçlü ve zayıf yönlerine aşinalık kazanacaksın. Power BI güçlü bir araçtır. Python ise onu daha da güçlü kılmak için kullanılabilir!
Artık Power BI'de Python ile çalışmaya başladığına göre, başka önemli bir veri işleme adımına geçelim: eksik verileri belirleme ve atama (imputasyon). Bu bölümde, bir veri kümesindeki eksik verileri önce Python, sonra Power BI kullanarak tespit edeceksin. Ardından, imputasyon tekniklerinden yararlanarak eksik verileri ele alacaksın.
Bu bölümde, Power BI içinde Seaborn paketini kullanarak çeşitli Python tabanlı görselleştirmeler oluşturacaksın. Özellikle bir çizgi grafiği, pair plot ve joint plot hazırlayacaksın. Ayrıca bu görselleştirmeleri nasıl yorumlayacağını ve veriden içgörü nasıl çıkaracağını öğreneceksin. Bu noktada, temel veri işleme adımlarında Python ve Power BI arasındaki bazı önemli farkları biliyor olacaksın. Sıradaki adım bu verileri görselleştirmek!
Bu bölümde, değişkenler arasındaki ilişkiyi değerlendirmeye devam edeceksin. Bu kez, korelasyon katsayısını hesaplayarak nicel olarak yapacaksın. Bunu önce Power BI'de, sonra Python'da nasıl yapacağını öğreneceksin. Son olarak, Seaborn görselleştirmelerinin gücünden yararlanarak bir korelasyon ısı haritası oluşturacaksın! Kursu bitirdiğinde, Power BI, Python ve veri görselleştirme tekniklerinde yetkin olacaksın. Harika iş!
Geçerli egzersiz