Eksploracja, wizualizacja i przygotowanie danych w Python – szybki start

online 3 dni

Software: Python | Level: Intermediate | Language: Polish

Częścią nieomal każdego projektu Data Science jest eksploracja danych w celu zapoznania się z ich strukturą, wykrycia problemów z jakością, a wynikom tabelarycznym zazwyczaj towarzyszą rozmaite wizualizacje. Na szkoleniu przedstawimy zarówno ogólne zasady eksploracji i wizualizacji danych, jak i sposób wykonywania ich w środowisku Python.

Uwaga szkolenie zakłada podstawową znajomość ekosystemu data science Python: zdecydowanie zalecamy wcześniejszy udział w szkoleniu „Data Science w Python – szybki start”

Dla kogo?

Osób, które chcą zostać mistrzami danych (data scientistami), a znają już podstawy ekosystemu Data Science Python
Badaczy z różnych dziedzin pragnących pogłębić swoją wiedzę w dziedzinie przygotowania danych, wstępnego ich badania i wizualizacji
Analityków, chcących wyjść poza podstawowe techniki wizualizacji i podsumowania danych

Co zyskasz?

Umiejętność wykrywania problemów z jakością danych i radzenia sobie z nimi
Wiedzę jak pokazywać i badać rozmaite aspekty danych za pomocą wykresów
Umiejętność przygotowania danych do analiz w środowisku Python

Sign up

Book / Enquire

Program
Speaker
Organizational information
Prices

Program szkolenia:

Biblioteki do eksploracji i wizualizacji danych – przegląd
- Numpy
- Pandas
- Matplotlib i Seaborn
Wczytywanie danych i trwały zapis obiektów
- Dane tabelaryczne
- JSON
- Zapis obiektów Python
Jakość danych – przegląd
Zasady dobrej wizualizacji danych
Podsumowanie rozkładu zmiennych
- Histogram i KDE
- Wykres ramka wąsy (ang. box-whiskers plot)i pochodne
Badanie związków miedzy zmiennymi za pomocą wykresów i podsumowań
- Wykres rozrzutu
- Wykres macierzowy (pairplot>)
- Wizualizacja dla zmiennych jakościowych (catplot)
Wykresy przebiegu
Estetyka wykresów
Wykrywanie problemów z jakością danych i usuwanie ich
Łączenie danych z różnych źródeł
Zmiana układu danych
Agregacja danych i analizy w grupach
Inżynieria cech

Polecamy inne szkolenia:

Uczenie maszynowe w Python – szybki start
Wykrywanie anomalii w procesach z wykorzystaniem uczenia maszyn (machine learning)
Prognozowanie metodami uczenia maszynowego w Python
Data Scence w Python – szybki start

[PL] Tomasz Demski w jasnoniebieskiej koszuli, ze skrzyżowanymi ramionami, na których widoczny jest zegarek. [EN] Tomasz Demski in a light blue shirt, with crossed arms, on which a watch is visible.

Tomasz Demski

He specializes in the application of data analysis in industry and machine learning. He has worked at StatSoft since 1995. He has participated in and led numerous projects on SPC implementation, process outcome prediction, and forecasting. He conducts the following trainings:
• Data Mining – Basic Course,
• Data Mining – Predictive Methods,
• Data Science in Python – Quick Start,
• Forecasting Using Machine Learning Methods in Python,
• Data Preparation for Analysis and Reporting,
• SPC – Control Charts and Process Capability Analysis,
• Statistica – A Quick Start (in English),
• Statistics and Machine Learning for Technologists and Process Engineers,
• Statistics in Quality – Basic Course,
• Machine Learning in Python – Quick Start,
• Anomaly Detection in Processes Using Machine Learning.
He has over 20 years of experience in data analysis training. In the past 3 years, he has conducted over 200 hours of courses.
Master’s degree, Jagiellonian University, Faculty of Mathematics and Physics; postgraduate studies in Data Engineering – Big Data, Warsaw School of Economics.

Kurs odbywa się online.

Wymagania:

Znajomość obsługi komputera w środowisku Windows, Linux, MacOs.
Podstawowa znajomość ekosystemu Data Science Python
Umiejętność posługiwania się JupyerLab
Znajomość podstaw statystyki praktycznej, pojęć takich jak średnia, mediana, rozkład, współczynnik korelacji
Rozumienie pojęć macierz, wektor itp.

Zdecydowanie zalecamy wcześniejszy udział w szkoleniu „Data Scence w Python – szybki start”. Osoby które nie brały udziały w tym szkoleniu będziemy prosić o wypełnienie testu kwalifikacyjnego.

Wymagania sprzętowe i oprogramowanie:

Zainstalowane środowisko Anaconda lub Miniconda
Komputer z aktualnym systemem Windows, Linux, Mac OS (spełniający wymogi Anaconda/Miniconda)
8 GB RAM
procesorem Intel Core i5 6 generacji lub szybszy
W przypadku szkoleń on-line komputer umożliwiający dostęp do platformy szkoleniowej

W razie potrzeby pomagamy w instalacji wymaganego oprogramowania.

Cena regularna: 3 195 zł

Cena dla akademickich użytkowników Statistica (-20%)*: 2 556 zł

*-20% dla akademickich użytkowników Statistica z aktywnym serwisem StatSoft Polska

Podane ceny są cenami netto i należy do nich doliczyć podatek VAT. Ceny mogą ulec zmianie.

Similar courses

Data mining – metody predykcyjne

W trakcie kursu zostaną zaprezentowane wybrane techniki data mining i uczenia maszynowego (machine learning) m.in. drzewa klasyfikacyjne i regresyjne, drzewa […]

Learn more

Podstawy analizy danych w środowisku R

W trakcie szkolenia zostaną omówione zasady pracy w środowisku R, rodzaje najczęściej wykorzystywanych obiektów oraz przykłady ilustrujące pracę z tym pakietem. Podczas kursu wykorzystywać […]

Learn more

Wizualizacja danych w R z wykorzystaniem pakietu ggplot2

Środowisko R jest przeznaczone nie tylko do analizy danych i skomplikowanych obliczeń statystycznych, ale także umożliwia tworzenie różnorodnych wizualizacji. Najczęściej wykorzystywany do tego celu jest pakiet ggplot2 – […]

Learn more