Data Science using R & Python offline tutorial APK

Home screen design improvement

ตลาดวิทยาศาสตร์ข้อมูล, การเรียนรู้ของเครื่องและปัญญาประดิษฐ์ กำลังเติบโตอย่างรวดเร็ว
วิทยาศาสตร์ข้อมูลโดยทั่วไปแล้วจะแปลงข้อมูลที่มีโครงสร้างหรือไม่มีโครงสร้างเป็นความเข้าใจความเข้าใจและความรู้โดยใช้วิธีการทางวิทยาศาสตร์กระบวนการและอัลกอริทึม

R และ Python เป็นภาษาโปรแกรมส่วนใหญ่ที่ใช้ใน Data Science

R เป็นภาษาโอเพนซอร์ซฟรีซึ่งใช้เป็นซอฟต์แวร์เชิงสถิติและการสร้างภาพข้อมูล สามารถจัดการกับข้อมูลที่มีโครงสร้าง (จัดระเบียบ) และกึ่งโครงสร้าง (กึ่งจัดการ)

เพื่อเรียนรู้ R สำหรับวิทยาศาสตร์ข้อมูลเราครอบคลุมทุกด้านดังนี้

& # 10020; บทนำ
& # 10020; ประเภทข้อมูลใน R
& # 10020; ตัวแปรใน R
& # 10020; ผู้ประกอบการใน R
& # 10020; คำสั่งแบบมีเงื่อนไข
& # 10020; คำสั่งวนรอบ
& # 10020; งบควบคุมวง
& # 10020; สคริปต์ R
& # 10020; ฟังก์ชั่น R
& # 10020; ฟังก์ชั่นที่กำหนดเอง
& # 10020; โครงสร้างข้อมูล
•เวกเตอร์อะตอม
•เมทริกซ์
•อาร์เรย์
• ปัจจัย
•เฟรมข้อมูล
•รายการ
& # 10020; นำเข้า / ส่งออกข้อมูล - กำหนดค่าให้กับโครงสร้างข้อมูล
& # 10020; การจัดการข้อมูล / การเปลี่ยนแปลง
& # 10020; ใช้ฟังก์ชั่นของ Base R
& # 10020; แพคเกจ dplyr

สำหรับ Python เราครอบคลุมดังนี้ -
& # 10020; การตั้งค่าสภาพแวดล้อมและสิ่งจำเป็นของ Python
•บทนำและการตั้งค่าสภาพแวดล้อม
•การมอบหมายตัวแปรใน Python
•ประเภทข้อมูลใน Python
•โครงสร้างข้อมูล: Tuple
•โครงสร้างข้อมูล: รายการ
•โครงสร้างข้อมูล: พจนานุกรม (Dict)
•โครงสร้างข้อมูล: ตั้งค่า
•ผู้ประกอบการขั้นพื้นฐาน: ใน
•ผู้ประกอบการขั้นพื้นฐาน: + (บวก)
•ผู้ประกอบการขั้นพื้นฐาน: * (คูณ)
• ฟังก์ชั่น
•ฟังก์ชัน Sequence ในตัวใน Python
•ข้อความสั่ง Flow Control: if, elif, else
•ข้อความสั่งการควบคุม: สำหรับลูป
•งบควบคุมการไหล: ในขณะที่ลูป
•การจัดการข้อยกเว้น

& # 10020; การคำนวณทางคณิตศาสตร์ด้วย NumPy ใน Python
•ประเภทของอาร์เรย์
•คุณสมบัติของ ndarray
•การดำเนินงานขั้นพื้นฐาน
•การเข้าถึงองค์ประกอบอาร์เรย์
•คัดลอกและมุมมอง
•ฟังก์ชั่นสากล (ufunc)
•การจัดการรูปร่าง
•การออกอากาศ
•พีชคณิตเชิงเส้น

& # 10020; การจัดการข้อมูลด้วย Pandas
    •ทำไมต้องนุ่น
    •โครงสร้างข้อมูล
    •ซีรี่ย์ - สร้างสรรค์
    •ซีรี่ย์ - องค์ประกอบการเข้าถึง
    •ซีรี่ย์ - การทำงานของ Vectorizing
    • DataFrame - การสร้าง
    •การดู DataFrame
    •การจัดการค่าที่ขาดหายไป
    •การทำงานของข้อมูลพร้อมฟังก์ชั่น
    •ฟังก์ชั่นทางสถิติสำหรับการดำเนินการข้อมูล
    •การทำงานของข้อมูลด้วย GroupBy
    •การทำงานของข้อมูล: การเรียงลำดับ
    •การทำงานของข้อมูล: ผสานทำซ้ำเชื่อมต่อ
    •การดำเนินงาน SQL ในนุ่น

สถิติ เป็นส่วนสำคัญในการเริ่มเรียนรู้ในสาขานี้
คำศัพท์ที่ใช้ในสถิตินั้นแปลกและยากที่จะเข้าใจสำหรับผู้เริ่มต้นดังนั้นเราจึงพยายามอย่างดีที่สุดในการอธิบายคำศัพท์เหล่านี้ในภาษาที่ง่ายมากสำหรับผู้เริ่มต้นระดับกลางหรือระดับสูงในด้านวิทยาศาสตร์ข้อมูล, การเรียนรู้ด้วยเครื่องจักร, AI
ที่นี่เราครอบคลุมคำศัพท์มากมายที่ใช้ในสถิติเช่น -
•สมมติฐาน
•วิธีการเชิงปริมาณ
•วิธีการเชิงคุณภาพ
•ตัวแปรอิสระและขึ้นอยู่กับ
•ตัวทำนายและตัวแปรผลลัพธ์
•ตัวแปรเด็ดขาด
•ตัวแปรไบนารี
•ตัวแปรที่กำหนด
•ตัวแปรลำดับ
•ตัวแปรอย่างต่อเนื่อง
•ตัวแปรช่วงเวลา
•ตัวแปรอัตราส่วน
•ตัวแปรไม่ต่อเนื่อง
•ตัวแปรรบกวน
•ข้อผิดพลาดการวัด
•ความถูกต้องและความน่าเชื่อถือ
•สองวิธีในการรวบรวมข้อมูล
•ประเภทของการเปลี่ยนแปลง
•รูปแบบที่ไม่เป็นระบบ
•รูปแบบที่เป็นระบบ
•การแจกแจงความถี่
•ค่าเฉลี่ย
•ค่ามัธยฐาน
•โหมด
•การกระจายตัวของการกระจายข้อมูล
• พิสัย
•ช่วงควอไทล์
•ควอไทล์
•ความน่าจะเป็น
• ส่วนเบี่ยงเบนมาตรฐาน

ข้อได้เปรียบที่สำคัญที่สุดของแอพนี้ที่สมบูรณ์วัสดุยกเว้นโครงการตัวอย่างสามารถใช้ได้ออฟไลน์ส่วนโครงการตัวอย่างออนไลน์เพราะเราเพิ่มเว็บเป็นประจำ

คอมไพเลอร์ออนไลน์บนอุปกรณ์มือถือคุณสามารถเขียนรหัสบนมือถือและเรียกใช้เพื่อดูผลลัพธ์

Simulation Test / Exam - ตรวจสอบความรู้ของคุณใน Data Science โดยการลองทำแบบจำลองนี้คำถามแต่ละข้อมี 4 ตัวเลือกและ 1 คำตอบที่ถูกต้อง