Курс Data Science with Python

Курс навчить розв'язувати основні задачі Data Science за допомогою поглибленої роботи з Python та його бібліотеками. В результаті ви зможете будувати просунуті візуалізації, знаходити взаємозв'язки в даних, робити прогнози та навчати моделі.

Програма курсу

Задачі Data Science. Interactive Python і знайомство з NumPy

• З'ясуєте, чим машинне навчання відрізняється від класичного програмування
• Зрозумієте, як формулюється задача машинного навчання
• Розберете процес роботи над Data Science задачами
• Навчитеся створювати масиви та виконувати базові операції над ними в бібліотеці NumPy
• Ознайомитеся з перевагами бібліотеки NumPy для роботи з даними

NumPy. Лінійна алгебра і статистика

• Навчитеся використовувати функції лінійної алгебри й статистики в NumPy
• Зможете вводити й виводити numpy-матриці та масиви різної величини

Знайомство з Pandas

• Навчитеся створювати, імпортувати й експортувати табличні дані в Pandas Dataframe
• Зможете маніпулювати табличними даними (створення нових колонок, агрегації)
• З'ясуєте, як швидко і зручно працювати з табличними даними за допомогою Pandas

Візуалізація даних

• Навчитеся будувати базові візуалізації в Python за допомогою matplotlib і seaborn
• Розберете три способи візуалізації даних з Pandas Dataframe
• Зможете побудувати просунуті візуалізації: heatmap, box plot, pair plot, cumulative plot
• Опануєте побудову базових інтерактивних візуалізацій

Exploratory Data Analysis (EDA) та очистка даних

• Зрозумієте мету й етапи EDA
• Навчитеся досліджувати структуру будь-якого набору даних
• Зможете виявляти пропущені значення, дублікати й очищувати дані
• Знатимете кілька технік заповнення пропусків та зрозумієте, коли яку використовувати

Задача прогнозування. Лінійна регресія. Градієнтний спуск

• Зрозумієте, як працює лінійна регресія
• Дізнаєтесь, як працює алгоритм градієнтного спуску
• Навчитеся тренувати модель лінійної регресії з використанням бібліотеки sklearn
• Розберетесь, як оцінити якість моделі лінійної регресії

Інші типи регресій

• Навчитеся будувати багатовимірну лінійну регресію
• Дізнаєтесь, як інтерпретувати коефіцієнти лінійної регресії

Вибір найкращої моделі. Техніки валідації. Пошук гіперпараметрів

• Дізнаєтеся, навіщо розбивати вибірку на train/validation/test-вибірки
• Зрозумієте, в чому відмінність validation- і test-вибірок
• Дізнаєтеся, що таке гіперпараметри моделі та в чому їхня відмінність від параметрів
• Ознайомитеся з методами підбору гіперпараметрів і навчитеся викликати їх у scikit-learn
• Дізнаєтеся, що таке перехресна валідація та як використовувати її в sklearn
• Зрозумієте, що таке overfit i underfit (і чому це проблема)
• Навчитеся застосовувати регуляризацію в моделях регресії

Задача класифікації. Логістична регресія

• Дізнаєтесь, як навчати модель логістичної регресії для класифікації даних і оцінювати її якість
• Отримаєте алгоритм дій у випадку мультикласової класифікації та зрозумієте, як оцінити якість таких моделей

Модель "дерева рішень"

• Ознайомитеся з принципом роботи моделі "дерева рішень"
• Зможете навчати моделі дерев рішень для розв'язання задач регресії та класифікації

Ансамблі моделей, алгоритми бустингу

• Зрозумієте, як працюють ансамблі моделей та в чому їхні переваги
• Навчитеся будувати різні типи ансамблів моделей
• Дізнаєтесь, який спосіб ансамблювання потрібно використати у випадку high bias, а який - у випадку high variance
• Розберете відмінність адаптивного бустингу від градієнтного
• Ознайомитеся з базовим функціоналом бібліотеки xgboost

Вибір ознак. Зменшення розмірності даних

• Навчитеся зменшувати розмірність набору даних із великою кількістю ознак
• Навчитеся обирати фічі так, щоб залишити лише найбільш значущі для моделі
• Дізнаєтесь, як працюють і чим відрізняються методи зменшення розмірності SVD, PCA та LDA

Кластерний аналіз даних

• Навчитеся виявляти групи схожих екземплярів у даних за допомогою кластеризації
• Дізнаєтесь, як працюють методи кластеризації K-Means, DBSCAN та Agglomerative Clustering

Статистичний аналіз даних

• Навчитеся генерувати випадкові величини різних розподілів
• Зможете перевірити гіпотезу про нормальність розподілу
• Навчитеся порівнювати розподіл двох випадкових величин

Від історії АІ до Prompt Engineering

• Зрозумієте, як розвивався штучний інтелект і чому зараз відбувся "АІ-бум"
• Розберете різницю між класичним ML і Generative AI
• Навчитеся формулювати ефективні промпти для задач аналізу даних і Python-коду
• Зможете використовувати базові AI-інструменти для перевірки та оптимізації промптів

AI Tools for Data & Developers

• Ознайомитеся з AI-інструментами для аналітиків та Python-розробників
• Навчитеся використовувати AI для написання коду, аналізу даних і створення візуалізацій
• Зможете інтегрувати AI-асистента у власне робоче середовище (VS Code, Jupyter, GitHub)

Співбесіди й вимоги до них. Розповсюджені помилки у домашніх завданнях

• Дізнаєтесь, як підготуватися до технічної співбесіди та пройти її успішно
• Отримаєте відповіді на проблемні запитання, які виникли протягом курсу
• Отримаєте правильні відповіді на домашні завдання та дізнаєтесь, які найпоширеніші помилки роблять спеціалісти

Особливості курсу

• Заняття щопонеділка та щочетверга
• Інструменти для роботи
• Сильний контент
• Практика
• Кар'єра: розширення стеку навичок

Викладачі курсу

• Олександра Кардаш - Senior Software Engineer at Google
• Ірина Безкровна - Technical Data Lead at Xometry