Tutorial de ciencia de datos con Python

Este tutorial de ciencia de datos con Python lo ayudará a aprender los conceptos básicos de Python junto con los diferentes pasos de la ciencia de datos, como el preprocesamiento de datos, la visualización de datos, las estadísticas, la creación de modelos de aprendizaje automático y mucho más con la ayuda de ejemplos detallados y bien explicados. Este tutorial ayudará tanto a los principiantes como a algunos profesionales capacitados a dominar la ciencia de datos con Python.

Cursos relacionados:

El aprendizaje automático es una habilidad esencial para cualquier aspirante a analista de datos y científico de datos, y también para aquellos que desean transformar una gran cantidad de datos sin procesar en tendencias y predicciones. Aprenda esta habilidad hoy con Machine Learning Foundation: Self Paced Course , diseñado y seleccionado por expertos de la industria con años de experiencia en ML y proyectos basados ​​en la industria.

Introducción

• Introducción a la ciencia de datos
• ¿Qué son los datos?
• Python para ciencia de datos
• pandas python
• python numpy
• Python Scikit-aprender
• Python Matplotlib

Conceptos básicos de Python

• Tomando entrada en Python
• Python | Salida usando la función print()
• Variables, expresión, condición y función.
• Operador básico en python
• Tipos de datos
  • Instrumentos de cuerda
  • Lista
  • tuplas
  • Conjuntos
  • Diccionario
  • arreglos
• Bucles
• Bucles y declaraciones de control (continuar, romper y pasar) en Python
• otra cosa con para
• Funciones en Python
• Rendimiento en lugar de Retorno
• Conceptos de programación orientada a objetos de Python
• Manejo de excepciones

Para obtener más información, consulte nuestro Tutorial de Python

Procesamiento de datos

• Comprender el procesamiento de datos
• Python: operaciones en arrays Numpy
• Descripción general de la limpieza de datos
• Cortar, indexar, manipular y limpiar el marco de datos de Pandas
• Trabajando con Datos Faltantes en Pandas
• Pandas y CSV
  • Python | Leer CSV
  • Exportar marco de datos de Pandas a un archivo CSV
• Pandas y JSON
  • Pandas | Análisis del conjunto de datos JSON
  • Exportación de Pandas DataFrame a archivo JSON
• Trabajando con archivos de Excel usando Pandas
• Base de datos relacional de Python
  • Conecte la base de datos MySQL usando MySQL-Connector Python
  • Python: MySQL Crear tabla
  • Python MySQL – Insertar en la tabla
  • Python MySQL – Seleccionar consulta
  • Python MySQL – Consulta de actualización
  • Python MySQL – Eliminar consulta
• Base de datos Python NoSQL
• Fecha y hora de Python
• Gestión de datos en Python
• Pandas Groupby: resumen, agregación y agrupación de datos
• ¿Qué son los datos no estructurados?
• Codificación de etiquetas de conjuntos de datos
• Una codificación en caliente de conjuntos de datos

Visualización de datos

• Visualización de datos usando Matplotlib
• Diseñar gráficos usando Matplotlib
• Gráfico de líneas en Matplotlib
• Parcela de barra en Matplotlib
• Diagrama de caja en Python usando Matplotlib
• Diagrama de dispersión en Matplotlib
• Mapa de calor en Matplotlib
• Trazado tridimensional usando Matplotlib
• Gráfico de serie temporal o gráfico de líneas con pandas
• Datos geoespaciales de Python
• Otras bibliotecas de trazado en Python
  • Visualización de datos con Python Seaborn
  • Uso de Plotly para la visualización interactiva de datos en Python
  • Visualización interactiva de datos con Bokeh

Estadísticas

• Medidas de tendencia central
• Estadísticas con Python
• Medición de la varianza
• Distribución normal
• Distribución binomial
• Distribución discreta de Poisson
• Distribución Bernoulli
• valor p
• Explorando la correlación en Python
• Crear una array de correlación usando Python
• Prueba de chi-cuadrado de Pearson

Aprendizaje automático

Aprendizaje supervisado

• Tipos de aprendizaje: aprendizaje supervisado
• Primeros pasos con la clasificación
• Tipos de técnicas de regresión
• Clasificación vs Regresión
• Regresión lineal
  • Introducción a la regresión lineal
  • Implementando la regresión lineal
  • Regresión lineal univariante
  • Regresión lineal múltiple
  • Python | Regresión lineal usando sklearn
  • Regresión lineal usando Tensorflow
  • Regresión lineal usando PyTorch
  • Pyspark | Regresión lineal usando Apache MLlib
  • Boston Housing Kaggle Challenge con regresión lineal
• Regresión polinomial
  • Regresión polinomial (Desde cero usando Python)
  • Regresión polinomial
  • Regresión polinomial para datos no lineales
  • Regresión polinomial usando Turicreate
• Regresión logística
  • Comprender la regresión logística
  • Implementando la Regresión Logística
  • Regresión logística usando Tensorflow
  • Regresión Softmax usando TensorFlow
  • Regresión Softmax usando Keras
• bayesiana ingenua
  • Clasificadores Naive Bayes
  •  Implementación Naive Bayes Scratch usando Python
  • Algoritmo de complemento Naive Bayes (CNB)
  • Aplicación de Naive Bayes multinomial a problemas de PNL
• Vector de soporte
  • Algoritmo de máquina de vectores de soporte
  • Máquinas de vectores de soporte (SVM) en Python
  • Ajuste de hiperparámetros de SVM con GridSearchCV
  • Creación de kernel lineal SVM en Python
  • Principales funciones del núcleo en la máquina de vectores de soporte (SVM)
  • Uso de SVM para realizar la clasificación en un conjunto de datos no lineal
• Árbol de decisión
  • Árbol de decisión
  • Árbol de decisión de implementación
  • Regresión del árbol de decisiones usando sklearn
• Bosque aleatorio
  • Regresión de bosque aleatorio en Python
  • Clasificador de bosque aleatorio usando Scikit-learn
  • Hiperparámetros del clasificador de bosque aleatorio
  • Clasificador de votaciones usando Sklearn
  • Clasificador de embolsado
• K-vecino más cercano (KNN)
  • K Vecinos más cercanos con Python | ML
  • Implementación de K-vecinos más cercanos desde cero usando Python
  • Algoritmo de vecino más cercano K en Python
  • Implementación del clasificador KNN usando Sklearn
  • Imputación utilizando KNNimputer()
  • Implementación de KNN usando OpenCV

Aprendizaje sin supervisión

• Tipos de aprendizaje: aprendizaje no supervisado
• Agrupamiento en aprendizaje automático
• Diferentes tipos de algoritmo de agrupamiento
• K significa Agrupamiento – Introducción
• Método del codo para el valor óptimo de k en KMeans
• Algoritmo K-means++
• Análisis de datos de prueba utilizando K-Means Clustering en Python
• Algoritmo de agrupamiento de mini lotes K-means
• Agrupación de desplazamiento medio
• DBSCAN: agrupamiento basado en la densidad
• Implementando el algoritmo DBSCAN usando Sklearn
• Agrupación difusa
• Agrupación espectral
• ÓPTICA Agrupamiento
• OPTICS Clustering Implementación usando Sklearn
• Agrupación jerárquica (agrupación aglomerativa y divisiva)
• Implementación de Agglomerative Clustering usando Sklearn
• Modelo de mezcla gaussiana

Aprendizaje profundo

• Introducción al aprendizaje profundo
• Introducción a las Redes Neutrales Artificiales
• Implementando el proceso de entrenamiento de Redes Neuronales Artificiales en Python
• Una red neuronal de una sola neurona en Python
• Redes neuronales convolucionales
  • Introducción a la red neuronal de convolución
  • Introducción a la capa de agrupación
  • Introducción al relleno
  • Tipos de relleno en la capa de convolución
  • Aplicación de la red neuronal convolucional en el conjunto de datos mnist
• Redes neuronales recurrentes
  • Introducción a la red neuronal recurrente
  • Explicación de redes neuronales recurrentes
  • modelo seq2seq
  • Introducción a la memoria a largo plazo
  • Explicación de redes de memoria a largo plazo
  • Redes de unidades recurrentes cerradas (GAN)
  • Generación de texto utilizando redes de unidades recurrentes cerradas
• GAN – Red Adversaria Generativa
  • Introducción a la Red Adversaria Generativa
  • Redes adversarias generativas (GAN)
  • Casos de uso de redes adversarias generativas
  • Construcción de una red adversaria generativa usando Keras
  • Colapso modal en GAN

Procesamiento natural del lenguaje

• Introducción al procesamiento del lenguaje natural
• Preprocesamiento de texto en Python | Serie 1
• Preprocesamiento de texto en Python | conjunto 2
• Eliminar palabras vacías con NLTK en Python
• Tokenizar texto usando NLTK en python
• Cómo funciona la tokenización de texto, oración, palabras
• Introducción a la derivación
• Derivación de palabras con NLTK
• Lematización con NLTK
• Lematización con TextBlob
• ¿Cómo obtener sinónimos/antónimos de NLTK WordNet en Python?

Cursos GeeksforGeeks

Fundación de aprendizaje automático

Las máquinas están aprendiendo, entonces, ¿por qué quieres quedarte atrás? Fortalezca sus bases de ML e IA hoy y prepárese para el futuro. Este curso a su propio ritmo lo ayudará a aprender conceptos avanzados como: regresión, clasificación, dimensionalidad de datos y mucho más. También se incluyen proyectos que lo ayudarán a obtener experiencia práctica. Así que no espere más y fortalezca sus fundamentos de aprendizaje automático.

Curso en vivo de ciencia de datos

Todas las organizaciones ahora confían en los datos antes de tomar decisiones importantes sobre su futuro. Por lo tanto, es seguro decir que Data es realmente el rey ahora. Entonces, ¿por qué quieres quedarte atrás? Este curso EN VIVO presentará al alumno conceptos avanzados como: Regresión lineal, Naive Bayes y KNN, Numpy, Pandas, Matlab y mucho más. También podrá trabajar en proyectos de la vida real a lo largo del curso. Así que no espere más, conviértase en un experto en ciencia de datos ahora.