Data Science - это популярная предметная область, которая занимает одну из лидирующих позиций среди других областей в ИТ.
Специалисты, которые занимаются анализом данных и машинным обучением очень востребованы во многих странах мира, в том числе и в России.
В дальнейшем эта сфера будет еще больше развиваться, так как многие компании понимают, что именно Data Scientist может привнести огромный вклад в развитие компании, который выражается также в денежном эквиваленте.
Этот курс не перегружен математическими формулами и выводами, задача познакомиться с областью, научиться практическим навыкам, а также сформировать целостную картинку о грамотном и поэтапном обучении моделей.
Курс состоит из 4 основных блоков, где в каждом блоке предусмотрены уроки и соответствующие шаги с теорией и практикой:
- Введение
Вы сможете узнать, что такое Data Science, чем данная область отличается от Machine Learning, а также чем занимаются специалисты в этих направлениях науки.
Познакомитесь с инструментом для анализа данных Python, а также средой разработки Jupyter Notebook.
Попробуем с вами установить их для дальнейшей полноценной работы.
- Основы Python
В этом блоке вы сможете с нуля познакомиться с языком программирования Python: переменные, типы данных, функции, ООП. Набора перечисленных тем для начального этапа хватит для изучения и применения моделей машинного обучения.
Также вас ждут практические задания, где вы сможете отточить свои навыки программирования.
- Библиотеки для визуализации и анализа данных
Вы познакомитесь с необходимыми инструментами, которые полезны в предварительном анализе данных, перед тем как будем обучать модель.
Это популярная библиотека Pandas для работы с табличными данными, Matplotlib и Seaborn - библиотеки для визуализации данных и результатов, в том числе обучения моделей.
- Машинное обучение
В этом блоке мы познакомимся с моделями машинного обучения: как они работают, в какой ситуации какую модели применять.
Также разберем библиотеку Scikit-learn, где уже реализовано большинство ML моделей.
Научимся поэтапно выполнять предобработку данных, обучать модели, а также интерпретировать их результат.
Чему вы научитесь:
- Программировать на Python с нуля
- Использовать популярные библиотеки Pandas и Scikit-learn
- Обучать модели машинного обучения
- Визуализировать результаты при помощи Matplotlib и Seaborn
- Разбираться в метриках для оценки результата
- Интерпретировать результат моделей ML
Введение
Основы Python
- Введение
- Что такое Data Science? Инструменты для анализа данных
- Знакомство с языком программирования Python
- Особенности работы с языком программирования Python
- Об авторе
Работа в Jupyter Notebook
- Установка и настройка интерпретатора Python
- Знакомство с консолью. Условные конструкции
- Введение в типы данных и циклы. Коллекции данных.
- Операторы в Python
- Функции - использование встроенных и создание собственных
- Основные принципы ООП: методология
- Открытие и чтение, запись в файл. Работа с форматами данных
- Работа с библиотекой Requests, HTTP-запросы
Библиотеки для визуализации и анализа данных
- Что такое Jupyter Notebook, Google Colab и JupyterHub
- Настройка работы в Jupyter Notebook
Решение интересных и насущных задач
- Введение в Pandas. Загрузка и первичный анализ данных
- Обработка данных в Pandas
- Визуализация данных при помощи matplotlib и seaborn
Машинное обучение
- Анализ данных о профессиях, зарплатах и возрастах. Графики.
Полезные материалы и ссылки
- Введение в машинное обучение
- Линейная регрессия
- Логистическая регрессия
- Подбор параметров алгоритма
- Метрические алгоритмы
- Полезные материалы и ссылки
Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
Новые складчины | страница 27
Категории
Страница 27 из 34

![[IMG]](proxy14p.php?image=https%3A%2F%2Fi123.fastpic.org%2Fbig%2F2024%2F0723%2F10%2F4dda15dbce6b1513788a465e465aa910.png&hash=344a767e3346bacbff000f070d70a248&v=4)