Outlier Tespit ve Veri Temizleme Temelleri

Her veri seti sonuçları saptırabilen ve yanlış sonuçlara yol açabilecek gizli düzensizlikler içerir. Bu anormallikleri nasıl tespit edeceğinizi öğrenmek verilerle çalışan herkes için kritik bir ilk adımdır. Bu kurs veri kalitesini anlamaya açık bir yol sağlayarak size dışsal değerleri nasıl izole edeceğiniz ve eksik bilgileri nasıl doğru bir şekilde ele alacağınızı öğretir. Güçlü, güvenilir ve gelişmiş modelleme için hazır olan veri kümelerini hazırlamak için güven kazanacaksınız. Ne öğreneceksin: - İstatistiksel dışsal değerlerin temel kavramlarını ve veri bütünlüğü üzerindeki etkilerini anlamak. - Z-puan ve Interquartile Range gibi matematiksel yöntemleri kullanarak sayısal anormallikleri tespit edin. - Eksik veri noktaları ve yapısal tutarsızlıkları ele almak için etkili stratejiler uygulama. - Yazılı analiz yoluyla veri dağılımlarını tanımlamak için modern görselleştirme paternlerini kullanmayı öğrenin. - Isolation Forest ve Local Outlier Factor gibi modern tespit algoritmalarını keşfet. - Üretim ortamları için veri sürüklenmesini izlemekteki anormallik tespitinin rolünü anlamak. Kurs, pratik temizleme çalışma akışları ve modern tespit stratejilerine geçmeden önce temel tanımlamalar ve temel istatistiklerle başlar. Detaylı açıklamaları okuyup gerçek dünya veri senaryolarını taklit etmek için tasarlanmış yazılı egzersizler yoluyla bilginizi uygulayacaksınız. Bu ders, veri öncesi işlem becerilerini geliştirmek isteyen yeni başlayanlar için tasarlanmıştır; ileri matematik veya programlama bilgisi gerekmez. Veri temizleme araç takımınızı bu temel tespit teknikleriyle geliştirin.