Praktiline juhend andmete analüüsimiseks, mis avab täisringi töötegemisest teabega: kogumisest ja töötlemisest masinõppe mudelite ehitamiseni. Käiakse läbi tööriistade pandas ja SQL kasutamine, mustrite tuvastamise meetodid ja andmete puhastamine. Kirjeldatakse erinevaid teabeallikaid, sealhulgas tekstilisi, binaarseid ja veebipõhiseid andmeid. Üksikasjalikult on välja...
toodud statistilised meetodid: usaldusintervallid, hüpoteeside testimine, tunnuste konstruktsioon. Toodi välja praktilised näited Pythonis erinevatest valdkondadest: transpordisüsteemide analüüs, keskkonnaalased uuringud, veterinaarianalüütika. Lõputooted käsitlevad logistilist regressiooni ja mudelite optimeerimist tekstide klassifitseerimise ülesannete rakendamiseks.
Praktiline juhend andmete analüüsimiseks, mis avab täisringi töötegemisest teabega: kogumisest ja töötlemisest masinõppe mudelite ehitamiseni. Käiakse läbi tööriistade pandas ja SQL kasutamine, mustrite tuvastamise meetodid ja andmete puhastamine. Kirjeldatakse erinevaid teabeallikaid, sealhulgas tekstilisi, binaarseid ja veebipõhiseid andmeid. Üksikasjalikult on välja toodud statistilised meetodid: usaldusintervallid, hüpoteeside testimine, tunnuste konstruktsioon. Toodi välja praktilised näited Pythonis erinevatest valdkondadest: transpordisüsteemide analüüs, keskkonnaalased uuringud, veterinaarianalüütika. Lõputooted käsitlevad logistilist regressiooni ja mudelite optimeerimist tekstide klassifitseerimise ülesannete rakendamiseks.