Курс Python для Data Science

Курс буде корисним: фахівцям, які хочуть почати кар’єру в Data science; фахівцям з Data science, які ще не опанували можливості роботи з даними в Python; спеціалістам, які працюють з даними (аналітикам, бізнес-аналітикам, дослідникам), які хочуть опанувати нові гнучкі інструменти для роботи з даними.

Програма курсу

Модуль 1. Вступ до машинного навчання та Data Science

• Визначення машинного навчання та науки про дані, їх задачі
• Інструментарій для аналізу даних: мови програмування Python
• Типи машинного навчання
• Складові частини моделі машинного навчання
• Базові концепти машинного навчання

Модуль 2. Основи мови програмування Python для Data Science

• IDE для зручної роботи: Jupyter, Spyder
• Семантика мови
• Типи даних
• Структури даних
• Оператори контролю виконання (розгалуження та циклів)
• Векторизація в Python (numpy)

Модуль 3. Функціональне програмування в Python

• Comprehension, Generators, Iterators в Python
• Функції в Python
• Вбудовані функції Python

Модуль 4. Дослідження та підготовка даних до аналізу

• Numpy
• Pandas

Модуль 5. Візуалізація даних в Python

• Matplotlib
• Seaborn

Модуль 6. Базові поняття статистичного аналізу

• Scipy.stats
• Описові статистики
• Залежності між змінними

Модуль 7. Типові проблеми у підготовці даних до аналізу

• Перетворення факторних змінних
• Боротьба з пропусками в даних
• Проблема мультиколінеарності
• Шкалювання даних
• Вибір інформативних змінних для моделі
• Типовий алгоритм підготовки даних до моделювання

Модуль 8. Базові регресійні моделі

• Лінійна регресія
• Поліноміальна регресія
• Метод найближчих сусідів
• Метрики оцінки якості регресії
• Тюнінг регресійних моделей

Модуль 9. Базові моделі класифікації

• Логістична регресія
• Метод опорних векторів
• Наївний байєсівський класифікатор
• Метрики оцінки якості класифікації
• Тюнінг параметрів моделей класифікації

Модуль 10. Базові моделі кластеризації та зниження розмірності

• Метод к-середніх
• Ієрархічний кластерний аналіз
• DBSCAN
• Факторний аналіз
• Кореспонденс-аналіз

Модуль 11. Дерева прийняття рішень та ансамблі

• Базові деревовидні моделі
• Random forest
• Xgboost, lightgbm
• Тюнінг гіперпараметрів у ансамблевих моделях

Модуль 12. Методи покращення якості моделей машинного навчання

• Аугментація
• Feature engineering
• Cross-validation
• Боротьба з перенавчанням
• Боротьба з дисбалансом даних
• Регуляризація моделі

Модуль 13. Вступ до архітектур нейронних мереж. Нейронні мережі для класифікації зображень

• Keras
• tensorflow
• Перцептрон
• CNN

Модуль 14. Прогнозування часових рядів

• AR, MA, ARMA
• ARIMA
• VAR
• Lstm

Модуль 15. Документація Data Science проєктів, Data Science in prod

• Шляхи організації продакшну для Data Science-проєктів
• Специфіка документації Data Science проєктів
• Markdown, Latex

Модуль 16. Практикум зі шляхів покращення якості моделей

• Презентація й обговорення курсових проєктів
• Підбиття підсумків курсу

Особливості курсу

• Заняття 2-3 рази на тиждень
• Можливість оплати частинами
• Знижка -10% на наступний курс

Мінімальні вимоги

• Досвід програмування будь-якою процедурною мовою
• Знання математики в рамках шкільного курсу
• Наявність власного ноутбуку для занять в аудиторіях