Курс Python для Data Science в Киеве
Курс Python для Data Science
Описание курса
Как понять, достаточно ли вы сильны для прохождения этого курса? Просто дайте самому себе ответы на следующие вопросы: интересует ли вас работа с данными (таблицами данных), манипуляции с ними и их визуализация? Помните ли вы из школы / университета / работы суть понятий «медиана», «мода», «распределение вероятностей»? Если ответы положительные, то у вас хорошие шансы на успешное прохождение курса.
Этот курс будет полезен:
- Специалистам, которые хотят начать карьеру в Data science;
- Специалистам по Data science, которые еще не освоили возможности работы с данными в Python;
- Специалистам, работающим с данными (аналитикам, бизнес-аналитикам, исследователям), которые хотят освоить новые гибкие инструменты для работы с данными.
Философия курса: обратите внимание, что этот курс не сделает из вас полноценных разработчиков на Python. С точки зрения Data Science, это, в первую очередь, два удобных инструменты для выполнения рабочих задач.
После курса вы сможете:
- Понимать основные алгоритмы машинного обучения и практически их использовать для задач классификации и регрессии
- Анализировать данные и строить модели машинного обучения с помощью языков Python
- Делать качественные и интерактивные визуализации данных
Программа курса:
Модуль 1. Введение в машинное обучение и Data Science
- Определение машинного обучения и науки о данных, их задачи
- Инструментарий для анализа данных: языки программирования Python
- Типы машинного обучения
- Составные части модели машинного обучения
- Базовые концепты машинного обучения
Модуль 2. Основы языка программирования Python для Data science
- IDE для удобной работы: Jupyter, Spyder
- Семантика языка
- Типы данных
- Структуры данных
- Операторы контроля исполнения (разветвления и циклов)
- Векторизация в Python (numpy)
Модуль 3. Функциональное программирование в Python
- Comprehension, Generators, Iterators в Python
- Функции в Python
- Встроенные функции Python
Модуль 4. Исследование и подготовка данных к анализу
- Numpy
- Pandas
Модуль 5. Визуализация данных в Python
- Matplotlib
- Seaborn
Модуль 6. Основные понятия статистического анализа
- Scipy.stats
- Описательные статистики
- Зависимости между переменными
Модуль 7. Типичные проблемы в подготовке данных к анализу
- Преобразование факторных переменных
- Борьба с пробелами в данных
- Проблема мультиколлинеарности
- Шкалирования данных
- Выбор информативных переменных для модели
- Типичный алгоритм подготовки данных к моделированию
Модуль 8. Базовые регрессионные модели
- Линейная регрессия
- Полиномиальная регрессия
- Метод ближайших соседей
- Метрики оценки качества регрессии
- Тюнинг регрессионных моделей
Модуль 9. Базовые модели классификации
- Логистическая регрессия
- Метод опорных векторов
- Наивный Байесовский классификатор
- Метрики оценки качества классификации
- Тюнинг параметров моделей классификации
Модуль 10. Базовые модели кластеризации и снижения размерности
- Метод к-средних
- Иерархический кластерный анализ
- DBSCAN
- Анализ
- Кореспонденс-анализ
Модуль 11. Деревья решений и ансамбли
- Базовые древовидные модели
- Random forest
- Xgboost, lightgbm
- Тюнинг гиперпараметров в ансамблевых моделях
Модуль 12. Методы улучшения качества моделей машинного обучения
- Аугментация
- Feature engineering
- Cross-validation
- Борьба с переобучением
- Борьба с дисбалансом данных
- Регуляризация модели
Модуль 13. Введение в архитектуры нейронных сетей. Нейронные сети для классификации изображений
- Keras
- tensorflow
- Персептрон
- CNN
Модуль 14. Прогнозирование временных рядов
- AR, MA, ARMA
- ARIMA
- VAR
- Lstm
Модуль 15. Документация Data Science проектов, Data Science in prod
- Пути организации продакшна для data science-проектов
- Специфика документации data science проектов
- Markdown, Latex
Модуль 16. Практикум по пути улучшения качества моделей
- Презентация и обсуждение курсовых проектов
- Подведение итогов курса
Минимальные требования:
- Опыт программирования на любом процедурном языке
- Знание математики в рамках школьного курса
- Наличие собственного ноутбука для занятий в аудиториях
Лекторы:
1. Денис Ширман (Data Scientist)
2. Олег Сорокин (Machine Learning Engineer)
3. Роман Кириченко (Data Scientist)
* Примечание: указанные скидки не суммируются с другими действующими акциями и специальными предложениями. Скидка применяется только к новым заявкам и при условии полной оплаты. Если у Вас возникли вопросы, обращайтесь за консультацией к нашим менеджерам!
Длительность курса: 21 ч.
