داده های عددی: تمرین های برنامه نویسی
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
کمی وقت بگذارید و تمرینات زیر را تکمیل کنید تا آنچه را که در مراحل اول آموخته اید با داده های عددی تمرین کنید.
- آماری از یک مجموعه داده را دریافت کنید ، که به شما نشان می دهد چگونه ستون های حاوی مقادیر پرت آشکار را پیدا کنید:
- قسمت بد مجموعه داده را بیابید ، که شما را از طریق روش های بصری و ریاضی برای یافتن مقادیر بد پنهان در یک مجموعه داده راهنمایی می کند:
تمرینات برنامه نویسی مستقیماً در مرورگر شما اجرا می شوند (بدون نیاز به تنظیم!) با استفاده از پلت فرم Colaboratory . Colaboratory در اکثر مرورگرهای اصلی پشتیبانی می‌شود و در نسخه‌های دسکتاپ کروم و فایرفاکس کاملاً آزمایش شده است.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-01-29 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-01-29 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eThis page provides programming exercises focusing on practicing numerical data analysis skills learned in a previous lesson.\u003c/p\u003e\n"],["\u003cp\u003eTwo Colab exercises are available: one on calculating descriptive statistics and identifying outliers, and another on detecting and handling bad data values in a dataset.\u003c/p\u003e\n"],["\u003cp\u003eThe exercises are browser-based and require no setup, utilizing the Colaboratory platform, primarily supported on Chrome and Firefox desktop versions.\u003c/p\u003e\n"]]],[],null,["# Numerical data: Programming exercises\n\nTake some time to complete the following exercises to practice what you've\nlearned in\n[First steps with numerical data](/machine-learning/crash-course/numerical-data/first-steps).\n\n- **Get statistics on a dataset** , which shows you how to find columns containing blatant outliers: \n [Open math statistics exercise](https://colab.research.google.com/github/google/eng-edu/blob/main/ml/cc/exercises/numerical_data_stats.ipynb?utm_source=mlcc&utm_campaign=colab-external&utm_medium=referral&utm_content=numerical_data_stats)\n- **Find the bad part of the dataset** , which guides you through visual and mathematical ways to find hidden *bad* values in a dataset: \n [Open \"bad part\" dataset exercise](https://colab.research.google.com/github/google/eng-edu/blob/main/ml/cc/exercises/numerical_data_bad_values.ipynb?utm_source=mlcc&utm_campaign=colab-external&utm_medium=referral&utm_content=numerical_data_bad_values)\n\nProgramming exercises run directly in your browser (no setup\nrequired!) using the [Colaboratory](https://colab.research.google.com)\nplatform. Colaboratory is supported on most major browsers, and is most\nthoroughly tested on desktop versions of Chrome and Firefox. \n[Help Center](https://support.google.com/machinelearningeducation)"]]
