Анализ и обработка данных

На этом курсе мы продолжим изучать описательную статистику, а также узнаем как очищать и преобразовывать данные, необходимые для создания модели.

Раздел 1. Библиотека Pandas

Библиотека Pandas — это основа, станок, на котором в последующем вытачивается модель. Именно с нее и начнем изучать работу с данными.

1. Объекты DataFrame и Series: создание и доступ к элементам
2. Изменение, соединение и группировка датафреймов

Раздел 2. Исследовательский анализ данных (EDA)

Мы уже приобрели первые навыки исследовательского анализа данных. Пора расширить наши знания. Параллельно мы продолжим изучать Pandas и освоим визуализацию в Matplotlib, Seaborn и Plotly.

3. Классификация данных и задачи EDA
4. Практика EDA: описание данных, выявление различий и взаимосвязей

Раздел 3. Очистка данных

Данные, которые мы используем для анализа, редко бывают идеальными. В них часто встречаются ошибочные и пропущенные значения.

5. Ошибки в данных
6. Работа с пропущенными значениями
7. Пропуски во временных рядах

Раздел 4. Преобразование данных

Еще одна сложность — различающийся диапазон и «неудобное» распределение количественных признаков, а также категориальные переменные, выраженные строковыми значениями.

8. Преобразование количественных данных
9. Кодирование категориальных переменных

Теперь, когда мы познакомились с основами ML, изучили Питон и научились анализировать данные, нам предстоит перейти к построению моделей, и начнем мы этот путь с изучения методов оптимизации.