Data Science · मराठी आवृत्ती
Data Science मराठीत: Python, pandas, EDA आणि charts
या page मध्ये
- Course चा क्रम
- 1. Data Science आणि Data Analytics मधला फरक
- 2. Python, Jupyter आणि packages चा setup
- 3. Data कामासाठी Python चा पाया
- 4. NumPy चा पाया
- 5. pandas DataFrames आणि Series
- 6. Selecting, filtering आणि sorting
- 7. GroupBy आणि aggregations
- 8. Tables मधला data एकत्र करूया
- 9. pandas मध्ये data cleaning
- 10. Dates, IST time आणि text
- 11. Data reshape: wide आणि long
- 12. Exploratory Data Analysis — EDA
- 13. matplotlib वापरून charts
- 14. seaborn वापरून visualization
- 15. योग्य chart आणि स्पष्ट निष्कर्ष
- 16. पूर्ण project: Blinkit Maharashtra
- 17. Practice exercises आणि hints
- 18. Interview प्रश्नोत्तरं
- 19. झटपट revision: cheat sheet
- 20. Glossary: terms सोप्या भाषेत
- नेहमीचे प्रश्न
- हा course मोफत आहे का?
- Course मराठीत आहे का?
- काय शिकायला मिळेल?
- Beginners साठी चालेल का?
- Machine learning आहे का?
- Sample data कोणता?
- Practice आणि interview तयारी आहे का?
- Online/offline class कसा join करायचा?
- 1. Data Science आणि Data Analytics मधला फरक
- 2. Python, Jupyter आणि packages चा setup
- 3. Data कामासाठी Python चा पाया
- 4. NumPy चा पाया
- 5. pandas DataFrames आणि Series
- 6. Selecting, filtering आणि sorting
- 7. GroupBy आणि aggregations
- 8. Tables मधला data एकत्र करूया
- 9. pandas मध्ये data cleaning
- 10. Dates, IST time आणि text
- 11. Data reshape: wide आणि long
- 12. Exploratory Data Analysis — EDA
- 13. matplotlib वापरून charts
- 14. seaborn वापरून visualization
- 15. योग्य chart आणि स्पष्ट निष्कर्ष
- 16. पूर्ण project: Blinkit Maharashtra
- 17. Practice exercises आणि hints
- 18. Interview प्रश्नोत्तरं
- 19. झटपट revision: cheat sheet
- 20. Glossary: terms सोप्या भाषेत
- हा Data Science course कसा शिकायचा?
- रवींद्र बागले यांची tip
Ravindra Bagale यांचा Data Science with Python course — Jupyter आणि pandas पासून EDA, charts आणि स्पष्ट निष्कर्षांपर्यंत. Beginners साठी मोफत study guide, सोप्या मराठीत आणि रोजच्या English technical words सोबत.
Python, NumPy, pandas cleaning/analysis, matplotlib, seaborn, chart storytelling आणि काल्पनिक Blinkit Maharashtra project शिकू. Practice, interview प्रश्नोत्तरं, cheat sheet आणि glossary आहेत. या course मध्ये ML नाही.
20 chapters · 71 concepts
सुरुवात करा: हा course कसा शिकायचा?
Course चा क्रम
प्रत्येक chapter आणि concept ची स्वतंत्र page आहे.
1. Data Science आणि Data Analytics मधला फरक
- 1.1 Analytics आणि Science: data तोच, प्रश्न वेगळे
- 1.2 Excel, Power BI की Python — कधी काय वापरायचं?
- 1.3 Grain: एका row चा नेमका अर्थ काय?
- 1.4 या course मध्ये काय आणि कोणत्या क्रमाने शिकणार?
2. Python, Jupyter आणि packages चा setup
- 2.1 Python 3 install करूया
- 2.2 Project folder आणि venv तयार करूया
- 2.3 लागणारी packages install करूया
- 2.4 Jupyter सुरू करून पहिली cell run करूया
3. Data कामासाठी Python चा पाया
- 3.1 Variables आणि types
- 3.2 Lists आणि dictionaries
- 3.3 if, for आणि functions
- 3.4 Comprehensions: loop थोडक्यात लिहूया
4. NumPy चा पाया
5. pandas DataFrames आणि Series
- 5.1 Series आणि DataFrame
- 5.2 head, info आणि dtypes ने data तपासा
- 5.3 CSV आणि Excel वाचूया
- 5.4 Column ची Series आणि झटपट statistics
6. Selecting, filtering आणि sorting
7. GroupBy आणि aggregations
8. Tables मधला data एकत्र करूया
- 8.1 concat: rows एकाखाली एक
- 8.2 merge: Orders सोबत Stores जोडा
- 8.3 Excel / Power BI शी संबंध जोडून समजून घेऊ
9. pandas मध्ये data cleaning
- 9.1 Messy sample: सुरुवातीचा data
- 9.2 Rename, strip आणि standardise
- 9.3 Types, missing values आणि duplicates
- 9.4 Outliers: वेगळ्या दिसणाऱ्या values तपासा
10. Dates, IST time आणि text
11. Data reshape: wide आणि long
- 11.1 Wide आणि long म्हणजे काय?
- 11.2 melt: wide मधून long
- 11.3 pivot_table: long मधून wide summary
- 11.4 stack आणि unstack
12. Exploratory Data Analysis — EDA
- 12.1 प्रश्नांपासून EDA सुरू करा
- 12.2 पहिल्या तपासणीची checklist
- 12.3 Crosstab आणि correlation समजून वापरा
- 12.4 Findings नीट लिहा
13. matplotlib वापरून charts
14. seaborn वापरून visualization
15. योग्य chart आणि स्पष्ट निष्कर्ष
- 15.1 प्रश्नाप्रमाणे chart निवडा
- 15.2 Chart मधली अनावश्यक सजावट कमी करा
- 15.3 Manager साठी एका page ची story
16. पूर्ण project: Blinkit Maharashtra
- 16.1 Project मध्ये नेमकं काय करायचं?
- 16.2 Lab साठी raw extract तयार करूया
- 16.3 Data clean करूया
- 16.4 EDA आणि दोन charts
- 16.5 Insights template: स्वतःचे numbers भरा
17. Practice exercises आणि hints
- 17.1 Filters चा सराव
- 17.2 GroupBy आणि merge चा सराव
- 17.3 Cleaning आणि dates चा सराव
- 17.4 Reshape आणि EDA चा सराव
- 17.5 Charts आणि story चा सराव
18. Interview प्रश्नोत्तरं
- 18.1 Python आणि Jupyter: interview तयारी
- 18.2 pandas चे मुख्य प्रश्न
- 18.3 EDA आणि visualization प्रश्न
- 18.4 Project आणि process प्रश्न
19. झटपट revision: cheat sheet
- 19.1 pandas चे उपयोगी snippets
- 19.2 matplotlib reference
- 19.3 seaborn reference
- 19.4 Cleaning checklist
20. Glossary: terms सोप्या भाषेत
नेहमीचे प्रश्न
हा course मोफत आहे का?
हो. सर्व 20 chapters आणि 71 concept pages online वाचायला मोफत आहेत; account लागत नाही.
Course मराठीत आहे का?
ही मराठी आवृत्ती आहे. Explanation सहज मराठीत आहे; technical terms आणि code English मध्ये ठेवले आहेत. Ravindra Bagale यांच्या online/offline classes मध्ये Marathi आणि काही Hindi वापरली जाते.
काय शिकायला मिळेल?
Jupyter, Python, NumPy, pandas, cleaning, EDA, matplotlib/seaborn, storytelling, final project, practice, interview questions, cheat sheet आणि glossary.
Beginners साठी चालेल का?
हो. सुरुवातीला Data Science/Data Analytics चा फरक आणि Python/Jupyter setup शिकतो.
Machine learning आहे का?
नाही. हा course cleaning, EDA आणि visualization पर्यंत आहे. AI/ML हा वेगळा learning path आहे.
Sample data कोणता?
महाराष्ट्रातील cities चा Blinkit / Amazon Now-style काल्पनिक data. फक्त शिकण्यासाठी; वास्तविक कंपनीचे आकडे नाहीत.
Practice आणि interview तयारी आहे का?
हो. Chapter 16 project, Chapter 17 practice आणि Chapter 18 interview प्रश्नोत्तरं आहेत.
Online/offline class कसा join करायचा?
Enquiry page वरून संपर्क करा. Data Science, Data Analytics, Excel आणि Power BI चे online/offline batches यांची माहिती तिथे मागवता येईल.
Data Science आता आपल्या रोजच्या बोलण्यातल्या मराठीत शिकूया. Technical words English मध्ये आहेत. नवीन concepts examples आणि practice मधून समजून घेऊ.
या course मधल्या 93 / 93 pages ची मराठी आवृत्ती उपलब्ध आहे. बाकी content चं काम सुरू आहे.
1. Data Science आणि Data Analytics मधला फरक
- 1.1 Analytics आणि Science: data तोच, प्रश्न वेगळे
- 1.2 Excel, Power BI की Python — कधी काय वापरायचं?
- 1.3 Grain: एका row चा नेमका अर्थ काय?
- 1.4 या course मध्ये काय आणि कोणत्या क्रमाने शिकणार?
- 1. Data Science आणि Data Analytics मधला फरक
2. Python, Jupyter आणि packages चा setup
- 2.1 Python 3 install करूया
- 2.2 Project folder आणि venv तयार करूया
- 2.3 लागणारी packages install करूया
- 2.4 Jupyter सुरू करून पहिली cell run करूया
- 2. Python, Jupyter आणि packages चा setup
3. Data कामासाठी Python चा पाया
- 3.1 Variables आणि types
- 3.2 Lists आणि dictionaries
- 3.3 if, for आणि functions
- 3.4 Comprehensions: loop थोडक्यात लिहूया
- 3. Data कामासाठी Python चा पाया
4. NumPy चा पाया
- 4.1 Arrays आणि shape
- 4.2 dtype: array मध्ये कोणत्या प्रकारचा data आहे?
- 4.3 pandas आणि NumPy चा संबंध
- 4. NumPy चा पाया
5. pandas DataFrames आणि Series
- 5.1 Series आणि DataFrame
- 5.2 head, info आणि dtypes ने data तपासा
- 5.3 CSV आणि Excel वाचूया
- 5.4 Column ची Series आणि झटपट statistics
- 5. pandas DataFrames आणि Series
6. Selecting, filtering आणि sorting
- 6.1 Columns आणि rows select करूया
- 6.2 Boolean filters
- 6.3 Sorting आणि top-N rows
- 6. Selecting, filtering आणि sorting
7. GroupBy आणि aggregations
- 7.1 GroupBy कशासाठी?
- 7.2 अनेक keys आणि named aggregation
- 7.3 value_counts की GroupBy?
- 7. GroupBy आणि aggregations
8. Tables मधला data एकत्र करूया
- 8.1 concat: rows एकाखाली एक
- 8.2 merge: Orders सोबत Stores जोडा
- 8.3 Excel / Power BI शी संबंध जोडून समजून घेऊ
- 8. Tables मधला data एकत्र करूया
9. pandas मध्ये data cleaning
- 9.1 Messy sample: सुरुवातीचा data
- 9.2 Rename, strip आणि standardise
- 9.3 Types, missing values आणि duplicates
- 9.4 Outliers: वेगळ्या दिसणाऱ्या values तपासा
- 9. pandas मध्ये data cleaning
10. Dates, IST time आणि text
- 10.1 dd-mm-yyyy dates वाचूया
- 10.2 IST timezone लावूया
- 10.3 Text मधून code आणि pincode काढूया
- 10. Dates, IST time आणि text
11. Data reshape: wide आणि long
- 11.1 Wide आणि long म्हणजे काय?
- 11.2 melt: wide मधून long
- 11.3 pivot_table: long मधून wide summary
- 11.4 stack आणि unstack
- 11. Data reshape: wide आणि long
12. Exploratory Data Analysis — EDA
- 12.1 प्रश्नांपासून EDA सुरू करा
- 12.2 पहिल्या तपासणीची checklist
- 12.3 Crosstab आणि correlation समजून वापरा
- 12.4 Findings नीट लिहा
- 12. Exploratory Data Analysis — EDA
13. matplotlib वापरून charts
- 13.1 Figure आणि Axes
- 13.2 Line chart आणि histogram
- 13.3 ₹ axis लाखांमध्ये दाखवूया
- 13. matplotlib वापरून charts
14. seaborn वापरून visualization
- 14.1 seaborn ची सुरुवात
- 14.2 countplot आणि barplot
- 14.3 hue आणि boxplot
- 14.4 seaborn की matplotlib?
- 14. seaborn वापरून visualization
15. योग्य chart आणि स्पष्ट निष्कर्ष
- 15.1 प्रश्नाप्रमाणे chart निवडा
- 15.2 Chart मधली अनावश्यक सजावट कमी करा
- 15.3 Manager साठी एका page ची story
- 15. योग्य chart आणि स्पष्ट निष्कर्ष
16. पूर्ण project: Blinkit Maharashtra
- 16.1 Project मध्ये नेमकं काय करायचं?
- 16.2 Lab साठी raw extract तयार करूया
- 16.3 Data clean करूया
- 16.4 EDA आणि दोन charts
- 16.5 Insights template: स्वतःचे numbers भरा
- 16. पूर्ण project: Blinkit Maharashtra
17. Practice exercises आणि hints
- 17.1 Filters चा सराव
- 17.2 GroupBy आणि merge चा सराव
- 17.3 Cleaning आणि dates चा सराव
- 17.4 Reshape आणि EDA चा सराव
- 17.5 Charts आणि story चा सराव
- 17. Practice exercises आणि hints
18. Interview प्रश्नोत्तरं
- 18.1 Python आणि Jupyter: interview तयारी
- 18.2 pandas चे मुख्य प्रश्न
- 18.3 EDA आणि visualization प्रश्न
- 18.4 Project आणि process प्रश्न
- 18. Interview प्रश्नोत्तरं
19. झटपट revision: cheat sheet
- 19.1 pandas चे उपयोगी snippets
- 19.2 matplotlib reference
- 19.3 seaborn reference
- 19.4 Cleaning checklist
- 19. झटपट revision: cheat sheet