MATLAB: usar o MATLAB na ciência de dados

Name: MATLAB: usar o MATLAB na ciência de dados
Author: Gabriel Popoola

Desbloqueie os poderosos recursos de modelagem do MATLAB

Preview the first lesson free — get full access to all 3 lessons.

Curso: sob demanda

Bem-vindo à lição em Análise Estatística em MATLAB. Durante esta lição, abordarei duas categorias principais que são importantes para Estatística, que são Medidas de Centralidade e Medidas de Espalhamento. Para começar, vamos carregar um conjunto de dados, e o conjunto de dados com o qual trabalharemos é o conjunto de dados do carro. Então, para carregá-lo, basta executar o comando load carbig. E se você verificar seu espaço de trabalho, você deve ver uma série de variáveis. E então, agora eu só vou passar por cima as medidas primárias de centralidade, que são a média, a mediana e a moda. A média, também conhecida como como a média aritmética ou a média, é uma medida comum de centralidade. A média é útil para distribuições simétricas, mas notoriamente sensível a outliers. Se seu conjunto de dados não for distribuído simetricamente, ou tem outliers extremos, você precisará considerar como esses fatores afetará o cálculo da média. E agora, para calcular a média, a função é simples. Nós apenas usamos média e a variável. Então, agora vou calcular a média de aceleração. E como você pode ver aqui, a média é 15,5197. Você também pode calcular a média de, digamos, cilindros, e você obterá 5,4754. E assim, a média por si só é uma métrica ou valor importante, mas muitas vezes é necessário vê-lo com outras medidas como a mediana, que fornece o ponto médio dos dados classificados. Então, metade dos dados é maior que a mediana, e metade dos dados é menor. A mediana é muito mais resistente que a média a mudanças em alguns valores de dados, e é um centro especialmente útil para distribuições não simétricas ou distorcidas. E para obter sua mediana, você simplesmente usa a função mediana, e passará em aceleração. E você pode ver aqui, a mediana é 15,5. E faremos o mesmo para os cilindros, que é quatro. Então, como você pode ver aqui, se olharmos para a média de aceleração e compare com a mediana da aceleração, há apenas uma diferença de 0,0197 entre os dois. E como a média e a mediana são muito semelhantes, você pode assumir que a distribuição é quase perfeitamente simétrico. No entanto, quando olhamos para a média dos cilindros, podemos ver que a média é 5,47, e a mediana é quatro. E isso está nos dizendo que essas distribuições não são simétricas. Em seguida, temos o modo, que é simplesmente o valor mais frequente em uma matriz. E se houver vários modos, é preciso o menor. E assim como a média e a mediana, a função de modo é simples. E veremos o modo de aceleração, e o modo para cilindros. E nós temos 14,5 e quatro. Então, isso significa apenas que uma maioria, ou melhor, a aceleração mais comum, é 14,5, e o número mais comum de cilindros é quatro. A seguir, falarei sobre as medidas de propagação, e comece com o desvio padrão, que, como o principal, é normalmente usado para medir o spread de distribuições simétricas que seguem uma distribuição normal. Porque o desvio padrão é a raiz quadrada da variância, a soma dos quadrados das distâncias de valores de dados da média, o desvio padrão tende a amplificar o efeito de outliers. E assim, para calcular o desvio padrão, você usa a função std, e vamos calcular isso para aceleração, que lhe dará 2,8034, e vamos calculá-lo para cilindros, o que nos dá 1,7122. E o desvio padrão, porque são relativamente pequenos, isso mostra que os dados não são amplamente divulgados em termos de distância da média. E a medida final que quero discutir é o intervalo interquartílico, baseado na mediana. E dá a distância entre o percentil 25 e 75 nos dados. Ou, em outras palavras, dá-lhe a largura da região que contém os 50% intermediários de seus valores de dados. E para calcular isso, usamos apenas a função iqr, e vamos calculá-lo para aceleração, o que nos dá 3,5. E por último, vamos calcular para cilindros, o que nos dá quatro. E como esses valores são relativamente baixos ou pequenos, isso informa que seus dados não se desviam ou muito longe da mediana do conjunto de dados. Isso conclui esta lição. Obrigada.

Intermediário Fornecedor : Gabriel Popoola 3 lições · 20m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

A data science é um campo diversificado e variado que combina elementos de estatística, visualização de dados, modelagem preditiva e análise de dados. Embora haja um grande número de ferramentas de software e linguagens de programação por aí que permitem trabalhar em um ou mais destes aspectos, são poucas as que permitem trabalhar com todos eles. Isto é o que torna o MATLAB numa linguagem de programação e ADI tão poderosa, pois oferece um extenso conjunto de recursos e capacidades.

Neste módulo, veremos os poderosos recursos de modelagem do MATLAB, nos quais aprenderá sobre visualização de dados no MATLAB usando a caixa de ferramentas de visualização e como gerar figuras diferentes e legíveis representando os seus dados e insights.

Estes números incluem gráficos de linha, dispersão, histograma e área. Também aprenderá a diferença entre seleção, gráficos e opções no MATLAB, bem como como carregar conjuntos de dados integrados.

O Que Você Vai Aprender

Entender as diferentes categorias de análise estatística
Avaliar a utilidade de vários modelos preditivos
Configurar seus dados para que possam ser adequadamente usados em aplicativos MATLAB para seleção de modelos
Visualizar dados em MATLAB usando a caixa de ferramentas de visualização para gerar figuras legíveis
Criar gráficos de linhas, dispersão, histogramas e área para representar dados e insights
Distinguir entre seleção, gráficos e opções em MATLAB e carregar conjuntos de dados integrados

Principais Conclusões

MATLAB é uma linguagem de programação e IDE que suporta estatística, visualização de dados, modelagem preditiva e análise de dados juntas em uma única ferramenta.
A caixa de ferramentas de visualização em MATLAB pode gerar diferentes figuras legíveis, incluindo gráficos de linhas, dispersão, histogramas e área.
O curso aborda a diferença entre seleção, gráficos e opções em MATLAB, bem como como carregar conjuntos de dados integrados.
Os dados devem ser configurados adequadamente para que possam ser usados em aplicativos MATLAB para seleção de modelos.

Perguntas Frequentes

O que vou aprender neste curso MATLAB data science?

Você aprenderá sobre visualização de dados em MATLAB usando a caixa de ferramentas de visualização, como gerar figuras, como gráficos de linhas, dispersão, histogramas e área, as categorias de análise estatística, como avaliar modelos preditivos e como configurar dados para seleção de modelos em aplicativos MATLAB.

Quais tópicos este curso aborda?

O curso aborda três lições: Statistical Analysis, Predictive Modeling e Model Selection.

Quais habilidades este curso ajuda a desenvolver?

Ele aborda habilidades incluindo Data Science, MATLAB, Statistical Classification, Statistical Modeling, Statistical Programming e SAS Certified Data Scientist.

Por que usar MATLAB para ciência de dados?

Ciência de dados combina estatística, visualização de dados, modelagem preditiva e análise de dados, e MATLAB é uma linguagem e IDE poderosa porque oferece um conjunto extenso de recursos que permitem trabalhar com todos esses aspectos.

Que tipos de gráficos posso criar em MATLAB após este curso?

Você aprenderá a gerar gráficos de linhas, dispersão, histogramas e área para representar seus dados e insights.