Preparation for Data Science

In this section we will get acquainted with what the NumPy library is, as well as learn how to create an array.

In this section we will get acquainted with arrays of different dimensions, and understand the difference between them.

In this section we should recall what slices are and learn how to make them for arrays of different dimensions. We shall also learn to refer to elements in an array using their indexes.

In this section we will learn how to reshape arrays and also how to concatenate an array. Moreover we will learn how to sort an array. Also we will learn about such an interesting method that is often used for arrays, namely: copy().

In diesem Projekt werden wir die Grundlagen von NumPy erkunden, seine Kernfunktionen untersuchen und die Gründe für seinen bedeutenden Einfluss auf das wissenschaftliche Rechnen aufdecken.

Einführung in die Grundlagen der pandas-Bibliothek. Erstellung und Bearbeitung von Series und DataFrames, Untersuchung ihrer Struktur sowie Aufbau von Sicherheit bei der Durchführung grundlegender Datenoperationen.

Erlernen Sie das Laden und Verwalten von Daten aus CSV- und TXT-Dateien. Sammeln Sie praktische Erfahrungen beim Importieren von Datensätzen und deren Vorbereitung für die weitere Analyse mit Pandas-Werkzeugen.

Erlernen Sie das effektive Erkunden, Bereinigen und Zusammenfassen von Daten. Verstehen Sie den Umgang mit fehlenden Werten, das Extrahieren von Erkenntnissen und die Durchführung grundlegender statistischer Operationen mit pandas.

In diesem Abschnitt lernen Sie, wie Sie bestimmte Spalten anhand ihrer Titel oder Indizes ausgeben. Außerdem machen Sie sich mit den Methoden zur Auswahl von Zeilen anhand von Indizes vertraut.

Hier lernen Sie, wie Sie Daten extrahieren, die bestimmte Bedingungen erfüllen. Außerdem erfahren Sie, wie Sie diese kombinieren und eigene Bedingungen erstellen.

In diesem Abschnitt erweitern Sie Ihr Wissen über das Festlegen verschiedener Datenbedingungen. Sie lernen, zu überprüfen, ob sich Ihre Daten in einer definierten Werteliste oder zwischen zwei Werten befinden. Außerdem erfahren Sie, wie Sie die größten und kleinsten Werte ermitteln.

Dieser Abschnitt gehört zu den faszinierendsten des Kurses. Hier lernen Sie, wie Daten auf verschiedene Arten gruppiert werden können. Dies unterstützt Sie als Datenanalyst dabei, Informationen über bestimmte Datengruppen zu ermitteln.

Dieser Abschnitt ist für Datenanalysten von großer Bedeutung, da eine fehlerhafte Formatierung oder fehlende Werte in den Daten die weitere Verarbeitung unmöglich machen. Hier wird vermittelt, wie mit solchen ungeeigneten Werten umzugehen ist.

In this project, we are going to understand what Pandas is and why it is so powerful.

Beginnen wir mit einigen grundlegenden Definitionen und Konzepten, die wir später verwenden werden. Betrachten Sie die Idee einer Funktion, einer Zahlenfolge und deren Summe und verstehen Sie auch, was die Basis eines Koordinatensystems ist.

Die einfachste und am häufigsten verwendete Art von Beziehung ist die lineare Beziehung. Lineare Algebra ist ein Zweig der höheren Mathematik, der sich vollständig linearen Funktionen und linearen Räumen widmet. Schauen wir uns einige der wichtigsten Themen der linearen Algebra an: Vektoren, Matrizen, das Lösen linearer Gleichungen und das Lösen des spektralen Problems für Matrizen.

Die mathematische Analyse ist eine Disziplin, die es Ihnen ermöglicht, Funktionen nach verschiedenen Kriterien zu analysieren. Betrachten Sie, wie man numerische Sequenzen auf Konvergenz überprüft, die maximalen/minimalen Werte von Funktionen findet, nichtlineare Gleichungen löst und Integrale zur Lösung angewandter Probleme verwendet.

Wir beginnen unseren Weg des Lernens der Wahrscheinlichkeitstheorie, indem wir einige grundlegende Definitionen und Regeln betrachten: Was ist ein stochastisches Experiment und ein zufälliges Ereignis, was ist Unabhängigkeit und Unvereinbarkeit von Ereignissen im Kontext der Wahrscheinlichkeitstheorie, was ist die Wahrscheinlichkeit und wie können wir Wahrscheinlichkeiten verschiedener elementarer Ereignisse berechnen.

Bei Aufgaben im realen Leben müssen wir oft mit komplexen Beziehungen umgehen und infolgedessen Wahrscheinlichkeiten mehrerer Ereignisse oder voneinander abhängiger Ereignisse berechnen. Lassen Sie uns betrachten, wie wir dies mit Hilfe der Wahrscheinlichkeitstheorie tun können.

Um viele reale Probleme in der Wahrscheinlichkeitstheorie zu lösen, wurden spezielle Modelle erstellt, die eine bestimmte Situation beschreiben. Betrachten wir einige der am häufigsten verwendeten Modelle, die verwendet werden können, um einige diskrete Ergebnisse stochastischer Experimente zu beschreiben.

Was, wenn das Ergebnis eines stochastischen Experiments nicht durch einen diskreten Wert beschrieben werden kann? Dafür werden Modelle verwendet, die mit kontinuierlichen Werten arbeiten. Betrachten Sie die beliebtesten dieser Modelle.

Oft stehen wir vor der Aufgabe, die Abhängigkeit der Ergebnisse verschiedener stochastischer Experimente voneinander zu überprüfen. Darüber hinaus ist es notwendig, nicht nur das Vorhandensein von Abhängigkeiten zu bewerten, sondern auch den Grad der Abhängigkeiten irgendwie zu quantifizieren. Um diese Probleme zu lösen, können wir Kovarianz und Korrelation verwenden.

Erkunden Sie grundlegende statistische Prinzipien, einschließlich Datentypen, Maße der zentralen Tendenz und wesentliche Unterschiede zwischen Stichproben und Grundgesamtheiten.

Erlernen der Berechnung und Interpretation von Mittelwert, Median und Modus mit Python. Anwendung dieser Operationen mit pandas zur Analyse realer Datensätze.

Verstehen, wie Varianz und Standardabweichung die Streuung von Daten messen. Berechnung beider Werte manuell und mit Python-Werkzeugen.

Untersuchung, wie Kovarianz und Korrelation Beziehungen zwischen Variablen beschreiben. Berechnung und Vergleich beider Kennzahlen in Python anwenden.

Sicheres Beherrschen von Konfidenzintervallen zur Schätzung von Populationsparametern. Verwendung von NumPy, pandas und Visualisierungsbibliotheken zur Berechnung und Interpretation von Intervallen mit realen Daten.

Erlernen der Grundlagen von Hypothesentests und des t-Tests. Verständnis für die Planung, Durchführung und Interpretation von Tests mit Python zur Unterstützung datenbasierter Entscheidungen.

Jetzt werden wir einige grundlegende theoretische Konzepte verstehen, die bei der Lösung von realen Aufgaben verwendet werden: absolut stetige und diskrete Zufallsvariablen, Wahrscheinlichkeitsdichtefunktion, kumulative Verteilungsfunktion, die Eigenschaften einer Zufallsvariablen usw.

Die Grenzwertsätze der Wahrscheinlichkeitstheorie sind grundlegende Gesetze der Wahrscheinlichkeitstheorie, die in der Praxis häufig in einer Vielzahl von Bereichen verwendet werden, wie z.B.: Aufbau von Konfidenzintervallen, Schätzung von Verteilungsparametern, Bereitstellung von A/B-Tests, Erstellung von Ensembles von ML-Modellen usw. Jetzt werden wir zwei der am häufigsten verwendeten betrachten: das Gesetz der großen Zahlen und den zentralen Grenzwertsatz.

Wenn wir mit realen Daten arbeiten, wissen wir normalerweise nicht, aus welcher Verteilung diese Daten stammen. Um dies zu bestimmen, müssen wir in der Lage sein, die Parameter dieser Verteilung und den Verteilungstyp korrekt zu schätzen, was wir in diesem Abschnitt lernen werden.

Wir haben bereits gelernt, wie man die Parameter der Population schätzt. Aber um den Parameter zu schätzen, machen wir eine Annahme über die Populationsverteilung. Können wir sagen, dass unsere Annahme korrekt ist? Wie beweisen wir, dass die geschätzten Parameter die tatsächlichen Parameter der Population sind? Können wir zeigen, dass zwei Stichprobenmengen unabhängig sind? Um diese Fragen zu beantworten, ist es notwendig, das Konzept des Hypothesentests zu betrachten.