Data Handling in Python Uzbekistan Eğitimi

Bu üç günlük "Data Handling in Python" eğitimi, Verilerle çalışmak ve bunları işlemek için Python'u nasıl kullanacaklarını öğrenmek isteyenlere yöneliktir. Veri Bilimine Giriş eğitimi ile birleştirildiğinde, Veri Mühendisliği, Gelişmiş Veri Analitiği, Veri Bilimi, Makine Öğrenimi ve Yapay Zeka alanlarında Python öğrenme yolculuğunu takip etmek için iyi bir hazırlık yapmış olursunuz.

Program sırasında Python'la ve NumPy, Pandas, Matplotlib ve Seaborn'a odaklanarak Data ile çalışmaya yönelik belirli geliştirme ortamları ve paketleriyle tanışacaksınız.

Yol boyunca tablo halindeki verileri nasıl temizleyeceğinizi ve değiştireceğinizi, basit istatistiksel teknikleri ve veri görselleştirmelerini nasıl uygulayacağınızı ve süreçleri otomatikleştirmek için programınızın akışını nasıl kontrol edeceğinizi öğreneceksiniz.

"Data Handling in Python" eğitimi boyunca Veri Bilimi teknik uzmanlarımızdan biriyle etkinliklere ve tartışmalara katılacak ve öğrendiğiniz teknikleri uygulamak ve daha ileri uygulamalara yönelik fikirler geliştirmek için teknik laboratuvar etkinliklerini tamamlayacaksınız.

• NumPy ve Pandas python paketlerinin hızından ve işlevselliğinden yararlanın
• Matplotlib ve Seaborn'u kullanarak Veri Görselleştirmeleri oluşturun ve kontrol edin
• Python'u Jupyter geliştirme ortamıyla kullanın
• Birden çok kaynak türünden verileri alın, temizleyin ve hazırlayın
• Yapay zeka modellerine, Mühendis veri hatlarına bağlanmak ve Veri Bilimi çözümleri geliştirmek üzere daha ileri çalışmalara ilerlemek için Python with Data'da sağlam bir temel kazanın

1. Veri İşleme İçin Programlamaya Giriş

• Verilerle çalışmak için programlama dillerini kullanmanın artılarını ve eksilerini açıklama
• Veri işleme için en uygun dilleri belirleyin
• Veri analizi araçlarına karşı programlama dillerini kullanmanın zorluklarını açıklayın

2. Python ve IDE'lere Giriş

• Python programlama dilinin temel özelliklerini açıklayın.
• Python programlama için Jupyter IDE'nin rolünü açıklayın.
• Temel bir Python programı yazmak için Jupyter IDE'yi kullanın.
• String, integer, float ve boolean veri türlerini kullanan bir program yazın.

3. Veri Yapıları, Akış Kontrolü, Fonksiyonlar ve Temel Tipler

• Veri sorunlarını çözmek için koleksiyonlar oluşturun.
• Bir Python programının akışını kontrol etmek için seçim ve yineleme söz dizimini kullanın.
• Verileri değiştirmek ve tekrarlanan görevleri otomatikleştirmek için kullanılabilecek yeniden kullanılabilir işlevler yazın.
• Dosyaları oluşturmak, okumak ve düzenlemek için Python'un yerleşik açma işlevini kullanın.

4. NumPy ile Matematiksel ve İstatistiksel Programlama

• NumPy dizilerinin temel özelliklerini açıklayın.
• Veri sorunlarını çözmek için NumPy dizileri oluşturun, dizinleyin ve değiştirin.
• İstenilen değerleri almak için maskeleme ve sorgulama sözdizimini kullanın.
• Vektörleştirilmiş işlevler kullanın.

5. Pandas'a Giriş

• Pandas ile Seriler ve DataFrame'ler oluşturun, yönetin ve değiştirin.
• Seriler ve Veri Çerçevelerinin endekslerini tanımlayın ve değiştirin.
• Sütun türlerini değiştirmek, özet istatistikleri hesaplamak ve verileri toplamak için Pandas'ın işlevlerini ve yöntemlerini kullanın.
• CSV, xlsx, json ve diğer yapılandırılmış dosya formatlarındaki verileri okuyun, değiştirin ve yazın.

6. Pandas ile Veri Temizleme

• Eksik verileri belirleyin ve bunlarla başa çıkmak için teknikler uygulayın.
• Değerleri tekilleştirin, dönüştürün ve değiştirin.
• Metin verilerini işlemek için DataFrame dize yöntemlerini kullanın.
• Metin verilerini değiştiren düzenli ifadeler yazın.

7. Pandas ile Veri Manipülasyonu

• Pandas'ta Pivot tablolar oluşturun.
• Zaman serisi manipülasyonu.
• Veri boyutu sorunlarını çözmek için verileri Pandas'a aktarın.

8. Verileri Görselleştirme Yöntemleri

• Hem sayısal hem de sayısal olmayan veriler için Matplotlib ve Seaborn'u kullanarak temel veri görselleştirmelerini oluşturun ve uyarlayın.
• Matplotlib ve Seaborn'u kullanarak toplu verileri anlamlı bir şekilde görselleştirin.

İlgili öğrenme

Veri Bilimi Öğrenim Yolları, Python veya R ve Bulut Platformu sertifikasyonu seçilerek seçilebilir:

• QAIDSDP Veri Profesyonelleri için Veri Bilimine Giriş
• Verilerin sağlanması ve işlenmesi:
  • Python ile QADHPYTHON Veri İşleme
  • R ile QADHR Veri İşleme
  • AI API'leriyle QAPDHAI Python Veri İşleme
• Veri Analizi İstatistikleri:
  • Python ile Veri Analizi için QASDAPY İstatistikleri
  • R ile Veri Analizi için QASDAR İstatistikleri
• Programlama ve Yazılım Geliştirme becerileri:
  • QAPYTH3 Python Programlama
  • QARPROG R Programlama
• Makine Öğrenimi Geliştirme:
  • Python ile QADSMLP Veri Bilimi ve Makine Öğrenimi
  • R ile QADSMLR Veri Bilimi ve Makine Öğrenimi
• Yapay Zeka Modelleri, Büyük Veri Madenciliği ve Sinir Ağlarıyla Çalışmaya Yönelik Algoritma Geliştirme Matematik:
  • Veri Bilimi için QAMFDS Matematiği
• Tahmin:
  • QATSFP Zaman Serisi ve Python ile Tahmin
  • QATSFR Zaman Serisi ve R ile Tahmin

Sertifikasyona için önerilen eğitimler:

• MDP100 Azure'da Veri Bilimi Çözümü Tasarlama ve Uygulama (DP-100)
• AWS'de AMWSMLP Makine Öğrenimi İşlem Hatları
• Google Cloud'da GCPMLGC Makine Öğrenimi