Укрепите продвинутые навыки в 21 самостоятельном испытании: 15 посвящены Pandas, а шесть переходят к scikit-learn. По требованиям и примерам вы реализуете очистку, выборку, преобразование, агрегацию, временные ряды, файловый IO, объединение DataFrame, визуализацию и машинное обучение.
Сборник включает одно задание Beginner и двадцать Intermediate. Сценарии используют небольшие данные о продажах, финансах, клиентах, погоде и фильмах, а затем встроенные наборы для классификации, регрессии, кластеризации, проверки и оценки моделей. Это прикладная практика, а не пошаговое введение в Pandas.
Чему вы научитесь
- Очищать пропуски, дубликаты, несогласованные даты и строки и создавать признаки
- Фильтровать таблицы через MultiIndex,
where,query, булевы свёртки и свои функции - Переиндексировать, преобразовывать, группировать, нормализовать, ресемплировать, сдвигать и агрегировать данные
- Сравнивать годовые данные и объединять таблицы конкатенацией, merge и join по индексу
- Импортировать и экспортировать CSV и JSON и строить аналитические графики
- Обучать и оценивать k-NN, деревья решений и логистические классификаторы
- Строить линейную, Ridge- и Lasso-регрессию с отбором признаков и кросс-валидацией
- Сравнивать K-means, иерархическую кластеризацию и DBSCAN, кривые валидации и метрики
Для кого этот курс
Курс предназначен для учащихся с устойчивыми основами Pandas, которым нужна сложная практика и введение в табличные workflows scikit-learn. Он подходит самостоятельным учащимся, способным читать спецификации, отлаживать начальный код и выбирать операции без полного руководства.
Предварительные требования: Нужно владеть функциями Python и выборкой, фильтрацией, группировкой, обработкой пропусков и загрузкой файлов в Pandas. Основы статистики и машинного обучения настоятельно рекомендуются для шести заданий scikit-learn.
Учебная среда: Все 21 испытание работают в WebIDE Ubuntu 22.04 с начальными файлами, локальными данными и проверками. Визуализация использует Matplotlib или похожие средства, ML — встроенные наборы scikit-learn и локальные файлы; внешний аккаунт не нужен.
Часто задаваемые вопросы
Курс посвящён только Pandas?
Нет. 15 испытаний работают с Pandas, но шесть используют scikit-learn для k-NN, деревьев, линейной регрессии, кластеризации, кривых валидации и оценки. Убедитесь, что такое расширение соответствует вашим целям.
Подойдёт ли курс полному новичку?
Нет. Хотя каталог указывает Beginner, 20 из 21 испытания помечены Intermediate. Предполагается умение выбирать, преобразовывать, группировать и отлаживать данные Pandas с минимумом подсказок.
Есть ли пошаговое руководство и нужен ли порядок?
Даны требования, примеры, начальные файлы и проверки, но не полные решения. 21 сценарий независим; внутри многоэтапного задания соблюдайте порядок, если поздние шаги используют ранние результаты.
Нужны ли внешние данные или облачные аккаунты?
Нет. Pandas-задачи используют локальные CSV, JSON или таблицы, а ML — локальные файлы или встроенные наборы scikit-learn. Всё выполняется в предоставленной среде.
