Курс Python для Data Science. Professional

Цей курс розрахований на спеціалістів, які мають досвід роботи з подібними технологіями, і хочуть вивчити сучасні методи машинного навчання з використанням технології BigData. Ці методи використовуються під час пошуку прихованих закономірностей, аналізу даних при вирішенні задач прогнозування та класифікації.

Програма курсу

Модуль 1

• Знайомство з машинним навчанням і Data Science
• Задачі машинного навчання і науки про дані
• Аналіз даних за допомогою Python
• Машинне навчання і його типи
• Модель машинного навчання і його компоненти
• Поняття машинного навчання і його цінність

Модуль 2

• Мова програмування Python і її основи
• Інтерпретація і запуск програм
• Особливості мови
• Типізація і структура даних
• Розгалуження і цикли операторів контролю виконання

Модуль 3

• Функціональне програмування
• Суть, генерація, ітерація
• Для чого потрібен Python. Інструментарій і функції

Модуль 4

• Об'єктно-орієнтований підхід до програмування в Python
• Простір імен і сфера їх використання
• Робота з системою імпорту, пакетами і модулями

Модуль 5

• Аналіз даних, їх дослідження та підготовка
• Програмні бібліотеки: Pandas, NumPy, SciPy, Matplotlib, Seaborn

Модуль 6

• Підготовка даних до аналізу: основні проблеми
• Факторні змінні і їх зміни
• Як боротися з проблемами в даних
• Інформативні змінні
• Мультиколлінеарність
• Скаляція даних

Модуль 7

• Основні регресійні моделі
• Види регресії
• Оцінка якості регресії
• Регресивні моделі та їх апгрейд

Модуль 8

• Класифікація
• Логістична регресія: що це таке
• Регресивний аналіз і його методи
• Наївний Байесовський класифікатор
• Функція оцінки якості класифікації

Модуль 9

• Основні моделі зниження розмірності й кластеризації
• Метод кластерного аналізу
• Алгоритм DBSCAN
• Аналіз співпадінь

Модуль 10

• Ансамблі й дерева рішень
• Основні деревоподібні моделі
• Алгоритм машинного навчання Random forest
• Алгоритм Lighthbm і XGBOOST
• Ансамблеві моделі й зміни гіперпараметрів у них

Модуль 11

• Покращення якості машинного навчання
• Аугментація даних
• Конструювання ознак
• Перехресна перевірка
• Як боротися з дисбалансом даних і перенавчанням

Модуль 12

• Нейронні мережі
• Нейромережева бібліотека Keras
• Бібліотека TensorFlow
• Рекурентна нейронна мережа і генеративно-змагальна мережа

Модуль 13

• Робота з Big Data
• Джерело даних
• Пакет pySpark - інструмент для миттєвих кластерних обчислень

Модуль 14

• Покращуємо якість моделей
• Курсовий проєкт і його обговорення
• Підсумки курсу

Результат після проходження курсу

Після закінчення курсу ви зможете будувати системи машинного навчання на основі великого обсягу даних. Для цього в навчальну програму входить і фреймворк Spark.

Особливості курсу

• Викладачі практики
• Корпоративне навчання
• Можливість навчатись у вихідні
• Можливість влаштуватись у провідні IT-компанії
• Індивідуальне навчання

Викладачі курсу

• Володимир - Програміст
• Ігор - Програміст
• Володимир - Програміст
• Олексій - Програміст