با افزایش محبوبیت یادگیری عمیق و یادگیری ماشینی، نیاز به تبدیل مصورسازی داده پیچیده به مدل ها امری فوری و مهم گشت. در این دوره با کار با Seaborn، کار با پشته PyData و ادغام با NumPy، Pandas، Statsmodels و دیگر کتابخانه های پایتون برای علم داده، مصورسازی توزیع ها، ساخت نمودارهای رگرسیون، منحنی KDE و هیستوگرام ها برای استخراج بینش از داده ها، استفاده از Seaborn برای تجسم روابط pairwise از ابعاد بزرگ با استفاده از FacetGrid و PairGrid و غیره آشنا می شوید. Seaborn دارای کتابخانه های قدرتمند برای مصورسازی و کشف داده ها است. زیبایی شناسی، رنگ، و استایل، عناصر مهمی برای ایجاد تمصورسازی های به یاد ماندنی هستند. با توجه به این، شما می توانید پالت های رنگی موجود در Seaborn را مطالعه کنید و ببینید چگونه می توانید عناصر طرح خاص را در گراف ما دستکاری کنید.

نرم افزار مورد نیاز: Seaborn 0.8، Python 3.x.

سرفصل:

  • معرفی دوره
  • مصورسازی روابط و توزیع در Seaborn
  • پیش نیازها
  • نصب Seaborn و کشف مجموعه داده ها
  • Matplotlib و Seaborn
  •  (Kernel Density Estimation (KDE
  • مصورسازی توزیع های یکنواخت: هیستوگرام، طرح های KDE و Rugplots
  • طرح های رگرسیون با استفاده از Lmplot و Rugplots
  • ارزیابی آماری و Factorplots
  • کار با Facetgrids
  • Facetgrids با Regplots
  • Facetgrids با Barplots
  • سفارش سازی Facetgrids
  • کار با Pairgrids
  • و غیره