Python для Data Science

Описание курса

Данный курс ориентирован на специалистов в различных областях информационных технологий, имеющих опыт в программировании и желающих получить представление о современных методах машинного обучения с использованием технологии Big Data. Эти методы применимы в анализе сырых данных, поиске скрытых закономерностей, решении задач классификации и прогнозирования.

После курса вы сможете:

• Применять основной инструментарий специалиста в области Data Science: язык программирования Python, библиотеки numpy, pandas, matplotlib, scikit-learn,  среды разработки PyCharm, Jupyter Notebook
• Решать задачи классификации, кластеризации и регрессии при помощи алгоритмов машинного обучения, а также оценивать качество моделей
• Строить системы машинного обучения на основе данных большого объема с использованием BigData-фреймворка Spark

Программа курса:

• Модуль 1. Введение в машинного обучения и Data science
  • Определение машинного обучения и науки о данных, их задачи.
  • Инструментарий для анализа данных: языки программирования Python и R.
  • Типы машинного обучения.
  • Составные части модели машинного обучения.
  • Базовые концепты машинного обучения.
• Модуль 2. Основы языков программирования Python и R для Data science
  • IDE для удобной работы: Jupyter, Spyder & Rstudio.
  • Семантика языка.
  • Типы данных.
  • Структуры данных.
  • Операторы контроля исполнения (разветвления и циклов).
  • Векторизация в Python (numpy) i R.
• Модуль 3. Функциональное программирование в Python и R
  • Comprehension, Generators, Iterators в Python.
  • Функции в Python i R.
  • Встроенные функции Python.
  • Apply-family функции в R.
  • Библиотека purrr для функционального программирования в R.
• Модуль 4. Исследование и подготовка данных к анализу
  • Numpy.
  • Pandas.
  • Фильтрация и агрегация данных в dplyr.
  • Long & wide форматы таблиц, их преобразования в библиотеках pandas & tidyr.
• Модуль 5. Визуализация данных в R i Python
  • Визуализация данных в R.
  • ggplot2 - grammar of graphics.
  • Интерактивная графика в R.
  • Matplotlib & seaborn.
• Модуль 6. Основные понятия статистического анализа
  • Scipy.stats.
  • Описательные статистики.
  • Зависимости между переменными.
• Модуль 7. Типичные проблемы в подготовке данных к анализу
  • Преобразование факторных переменных.
  • Борьба с пробелами в данных.
  • Проблема мультиколлинеарности.
  • Шкалирования данных.
  • Выбор информативных переменных для модели.
  • Типичный алгоритм подготовки данных к моделированию.
• Модуль 8. Базовые регрессионные модели
  • Линейная регрессия.
  • Полиномиальная регрессия.
  • Метод ближайших соседей.
  • Метрики оценки качества регрессии.
  • Тюнинг регрессионных моделей.
• Модуль 9. Базовые модели классификации
  • Логистическая регрессия.
  • Метод опорных векторов.
  • Наивный Байесовский классификатор.
  • Метрики оценки качества классификации.
  • Тюнинг параметров моделей классификации.
• Модуль 10. Базовые модели кластеризации и снижения размерности
  • Метод к-средних.
  • Иерархический кластерный анализ.
  • DBSCAN.
  • Анализ.
  • Кореспонденс-анализ.
• Модуль 11. Деревья решений и ансамбли
  • Базовые древовидные модели.
  • Random forest.
  • Xgboost, lightgbm.
  • Тюнинг гиперпараметров в ансамблевых моделях.
• Модуль 12. Методы улучшения качества моделей машинного обучения
  • Аугментация.
  • Feature engineering.
  • Cross-validation.
  • Борьба с переобучением.
  • Борьба с дисбалансом данных.
  • Регуляризация модели.
• Модуль 13. Введение в архитектуры нейронных сетей. Нейронные сети для классификации изображений
  • Keras.
  • tensorflow.
  • Персептрон.
  • CNN.
• Модуль 14. Прогнозирование временных рядов
  • AR, MA, ARMA.
  • ARIMA.
  • VAR.
  • Lstm.
• Модуль 15. Документация data science проектов, data science in prod
  • Пути организации продакшна для data science-проектов.
  • Специфика документации data science проектов.
  • Markdown, Latex.
• Модуль 16. Практикум по пути улучшения качества моделей
  • Презентация и обсуждение курсовых проектов
  • Подведение итогов курса

Минимальные требования:

• Опыт программирования на любом процедурном языке;
• Знания математики в рамках школьного курса.
• Наличие собственного ноутбука для занятий в аудиториях

* Указанные скидки не суммируются с другими действующими акциями и специальными предложениями. Если у Вас возникли вопросы, обращайтесь за консультацией к нашим менеджерам!