Онлайн
в удобное время
Трудоустройство
после прохождения курса
Доступ к курсу
навсегда
Data Science – это работа с большим объёмом информации, которая требуется почти во всех сферах. По данным HeadHunter количество вакансий Data Scientist выросло в 7 раз за последние 2 года.
Кому подойдёт этот курс
Новичкам в Data Science
С нуля получите все знания и навыки, которые необходимы для работы Junior Data Scientist
Аналитикам
Вы научитесь извлекать максимум из больших массивов данных для быстрой проверки гипотез и построения прогнозов
Чему вы научитесь
Основам
Python-программирования
Работать
с библиотекой NumPy
Работать с базами
данных и SQL
Построению моделей
машинного обучения
Визуализировать данные
с помощью matplotlib
Использовать математику
для обработки данных
Содержание курса
Основы Python. Настройка IDE. Базовый синтаксис
Базовые типы данных и циклы
Функции и классы
Продвинутые типы данных: массивы, множества, словари
Python для анализа данных: numpy и scipy
Python для анализа данных: pandas
Лабораторная работа по Python
Основы линейной алгебры и теории множеств и их реализация в Python
Методы математической оптимизации и их реализация в Python
Основы описательной статистики и их реализация в Python
Статистический анализ данных и их реализация в Python
Библиотека NumPy: методы анализа массивов
Библиотека NumPy: способы преобразования массивов
Библиотека pandas: индексация и выбор данных
Библиотека pandas: применение функций, группировка, сортировка
Визуализация данных с помощью matplotlib
Введение в базы данных: необходимость, принципы работы
Основы работы с базами данных на декларативном языке SQL
Альтернативные виды баз данных и их различия
Современные возможности баз данных
Принципы работы с разными конкретными БД
Основные библиотеки для подключения к БД из Python
Математика для Data Science
Дискретные и непрерывные случайные величины
Центральные предельные теоремы и закон больших чисел
Производная. Векторы. Матрицы
Случайные события. Условная вероятность. Формула Байеса. Независимые испытания
Дискретные случайные величины. Закон распределения вероятностей. Биномиальный закон распределения. Распределение Пуассона
Описательная статистика. Качественные и количественные характеристики популяции
Графическое представление данных
Непрерывные случайные величины. Функция распределения и плотность распределения вероятностей. Равномерное и нормальное распределение. Центральная предельная теорема
Проверка статистических гипотез.
Доверительные интервалы.
Взаимосвязь величин. Параметрические и непараметрические показатели корреляции Корреляционный анализ
Многомерный статистический анализ. Линейная регрессия
Дисперсионный анализ. Логистическая регрессия
Задача обучения с учителем. Постановка задачи классификации и регрессии
Линейная регрессия для задач классификации и регрессии
Оценка качества модели для задач классификации и регрессии
Проблема переобучения. Регуляризация. Отбор признаков
Другие модели классификации: логистическая регрессия, наивный байесовский классификатор, деревья решений
Бустинг и стекинг
Будьте первым кто оставит отзыв.
Оставить отзыв можно только с предоставлением сертификата о прохождении курса.
Похожие курсы
