دوره آموزشی تست کد علم داده پایتون

هرچه دنیای علم داده بزرگ‌تر و پیچیده‌تر شود، داده‌های بیشتری برای جمع‌آوری، مرتب‌سازی، تمیز کردن، مدل‌سازی و موارد دیگر وجود دارد. یک نکته دردناک در حال ظهور در این دنیای جدید شجاع این است که اگر شیوه های مهندسی داده و توسعه شما نامرغوب باشد، بسیاری از مشکلات ممکن است پیش بیاید. این دوره در سطح پیشرفته به دانشمندان داده، توسعه دهندگان پایتون و تحلیلگران داده نشان می دهد که چگونه کدهای علمی (علم داده) نوشته شده در پایتون را آزمایش کنند. مربی و مشاور کهنه‌کار علم داده Miki Tebeka تکنیک‌های تست را با تمرکز بر مسائل خاص کد علم داده، مانند خطاهای ممیز شناور، آزمایش‌های آماری، کار با مجموعه‌های داده بزرگ، انتخاب خط پایه و موارد دیگر پوشش می‌دهد. پس از ارائه یک نمای کلی تست، میکی به آزمایش با پای تست و فرضیه می پردازد. او نحوه استفاده از طرحواره ها، مقادیر صدق، آزمایش تقریبی و موارد دیگر را در اعتبارسنجی داده ها توضیح می دهد. Miki تست رگرسیون را انجام می دهد، سپس نحوه آزمایش نوت بوک های Jupyter را نشان می دهد.