Data Science with Python
|
В ході курсу ви дізнаєтеся, як використовувати бібліотеки Python, такі як NumPy, Pandas, Matplotlib та Seaborn, для забезпечення ефективного оброблення, аналізу та візуалізації даних. Ви також навчитеся використовувати бібліотеки, такі як scikit-learn, для виконання задач машинного навчання, таких як кластеризація, регресія та класифікація. Навчитесь розв’язувати такі завдання, як: очищення даних та пошук відсутніх значень, прогнозування та класифікація, кластерний аналіз даних та пошук взаємозв’язків.
Ти отримаєш:
Практика
Домашні завдання
Підтримка кураторів
Додаткові матеріали
Нетворкінг
Диплом
Курс буде корисним
- Analysts / Data Analysts / Product Analysts, щоб опанувати бібліотеки Python для Data Science, навчитися за допомогою простого коду проводити маніпуляції над даними та на основі глибокого аналізу пропонувати бізнес-рішення, які точно спрацюють.
- Python Developers, щоби проводити Exploratory Data Analysis, робити прогнози та будувати прості ML-моделі. Навчитися знаходити інсайти у графіках та діаграмах, а потім на основі аналізу формулювати та валідувати статистичні гіпотези.
Що чекає вас на курсі
- Інструменти. Навчитеся працювати з цифрами та математичними формулами в NumPy, з табличними даними — у Pandas, з візуалізаціями — у Matplotlib, Seaborn та Plotly. І опануєте ще 6 бібліотек Python для Data Science.
- Сильний контент. Отримаєте overview основних завдань Data Science, розберете базові типи візуалізацій та моделі регресій, техніки побудови ансамблів та machine learning моделей.
- Практика. Під час навчання на вас чекає багато практики. Ви виконуватимете складні домашні завдання та отримуватимете фідбек від лектора щодо кожного.
- Кар’єра. Значно розширите стек навичок, зможете впровадити нові рішення на поточній роботі та закладете фундамент для розвитку Data Science.
ПРОГРАМА КУРСУ
- Задачі Data Science. Interactive Python і знайомство з NumPy
- NumPy. Лінійна алгебра і статистика
- Знайомство з Pandas
- Візуалізація даних
- Exploratory Data Analysis (EDA) та очистка даних
- Пошук та видалення пропущених значень
- Задача прогнозування. Лінійна регресія. Градієнтний спуск
- Інші типи регресій
- Вибір найкращої моделі. Техніки валідації. Пошук гіперпараметрів
- Задача класифікації. Логістична регресія
Детально про програму дивіться на сторінці курсу
Ще немає відгуків.