Программистские задачи для работы с выбросами в Python — LearnFlat
⏱ 2 ч 42 мин 📚 27 уроков 🎧 Аудиоверсия

Программистские задачи для работы с выбросами в Python

Освойте методы межквартильного размаха (IQR), z-оценки и робастного масштабирования для очистки грязных наборов данных с помощью структурированных практических задач по программированию на Python.

  • 💬 ИИ инструктор
    Задавайте вопросы по любому уроку — понятный ответ придёт мгновенно, в любой момент.
  • 🕐 Начните в любое время
    Без расписаний и дедлайнов — учитесь в своём темпе, когда удобно.
  • 🌐 На русском языке
    Уроки, задания и сертификат — всё полностью на вашем языке.

О курсе

Выбросы могут незаметно разрушить предсказательную силу ваших моделей машинного искажения и исказить статистический анализ. Чтобы создавать надежные конвейеры данных, вы должны уметь обнаруживать и обрабатывать эти аномальные точки данных без потери критически важной информации. Этот курс проведет вас через весь жизненный цикл очистки данных, научив принимать обоснованные решения о том, когда удалять, преобразовывать или заменять выбросы. Вы перейдете от теоретического понимания к практическому исполнению, работая над реалистичными задачами по программированию, разработанными для выработки мышечной памяти. Чему вы научитесь: - Понимать математические основы выбросов и их влияние на статистические распределения - Обнаруживать аномалии с помощью надежного метода межквартильного размаха (IQR) и вычислений z-оценки - Применять современные операции с датафреймами в pandas для фильтрации, обрезки и винсоризации экстремальных значений - Заменять пропущенные или удаленные значения выбросов с помощью современных, статистически обоснованных стратегий импутации - Практиковаться в написании чистого, повторно используемого кода для предварительной обработки данных с подсказками типов Python и надежной обработкой ошибок - Оценивать распределение ваших наборов данных до и после для подтверждения целостности данных Этот курс начинается с основных терминов, исследуя статистические определения нормальных распределений и дисперсии. Затем вы перейдете к пошаговым письменным руководствам и задачам по программированию, которые симулируют реальные сценарии инженерии данных. Этот курс предназначен для начинающих и продолжающих аналитиков данных, начинающих специалистов по данным и программистов на Python, которые хотят освоить предварительную подготовку данных. Никакого продвинутого опыта в машинном обучении не требуется, хотя рекомендуется базовое знакомство с переменными Python и датафреймами pandas. Начните уверенно очищать свои данные уже сегодня.

Что вы получите

  • 📜 Сертификат об окончании
    Добавьте в профиль LinkedIn
  • 💬 Личный AI-наставник
    Застрял на уроке? Спроси встроенного наставника о чём угодно, в любой момент.
  • 🎧 Аудиоверсия включена
    Учитесь в дороге — экран не нужен
  • ♾️ Пожизненный доступ
    Возвращайтесь в любое время, без срока
  • 📱 Телефон или компьютер
    Работает везде и на любом устройстве
  • 💸 Возврат в течение 14 дней
    Без вопросов
  • ⚡ Кратко и по делу
    2 ч 42 мин практического материала

Отзывы

Отзывов пока нет — поделитесь своим первым.

Написать отзыв

☆☆☆☆☆
После отправки попросим войти — черновик сохранится.

Студенты также прошли

Часто спрашивают

Что нужно для прохождения курса? +

Только смартфон или компьютер с доступом в интернет. Никаких установок и оборудования.

Как оплатить? +

Банковской картой через Stripe. Данные карты обрабатывает Stripe — мы их не храним.

Можно ли вернуть деньги? +

Да — полный возврат в течение 14 дней, без вопросов.

Как долго будут доступны материалы? +

Навсегда. После покупки курс остаётся с вами — возвращайтесь в любое время.

Получу ли я сертификат? +

Да. По окончании выдаётся сертификат, который можно добавить в профиль LinkedIn.

Подходит для специалистов в
IT Дизайн Финансы Маркетинг Медицина Образование HoReCa Производство