Библиотеки Python для анализа данных
ПРОДОЛЖИТЕЛЬНОСТЬ:
18 онлайн-занятий
каждый вторник и четверг
Курс, на котором вы научитесь проводить статистический анализ данных с помощью Python и разовьете математическое мышление для решения реальных задач Data Science. В результате — будете принимать решения на основе цифр, а не абстрактных гипотез.
-
Результаты после курса:
• обрабатываете, анализируете и визуализируете данные с помощью Python и его библиотек
• используете в работе основные математические методы и теории обработки данных
• интерпретируете результаты анализа, находите и корректируете ошибки
• описываете реальные процессы и задачи на математическом языке
• строите и проверяете статистические гипотезы
• принимаете правильные решения на основе анализа данных
-
В финале курса презентуете проект — результаты анализа на основе одного из математических методов, который выберете самостоятельно.
В программу курса входят:
-
СИЛЬНЫЙ КОНТЕНТ Освоите основы научного и математического мышления, а также усвоите математические методы и теории, необходимые для обработки данных.
-
ИНСТРУМЕНТЫ Будете использовать библиотеки NumPy, Pandas, Matplotlib, Seaborn, Plotly, scikit-learn, scipy.stats.
-
ПРАКТИКА В финале обучения презентуете курсовую, где используете методы научного и статистического анализа.
-
КАРЬЕРА Получите фундаментальные знания по математике, которые помогут развиваться в Data Science и понимать алгоритмы машинного обучения.
ЛЕКТОР:
Наталья
Кеес
- Data Scientist в Airbus
- имеет 5+ лет опыта в Data Science
- создает системы искусственного интеллекта для обработки естественного языка
- строит поисковые системы и умные ассистенты для автоматизации процессов
- работала в Data Science проектах в сферах науки, страхования, машиностроения
Программа курса:
-
01
Python для анализа данных: part 1
- Научитесь запускать код в Jupyter Notebook
- Проведете базовые операции над числами и простыми структурами данных
- Примените циклы for и while
- Поймете, как сочетание «математика + Python» поможет вам в работе
-
02
Python для анализа данных: part 2
- Подключите библиотеки Python
- Научитесь оперировать данными с помощью библиотек NumPy и Pandas
- Визуализируете данные и интерпретируете результаты с помощью библиотек Matplotlib и Seaborn
-
03
Дескриптивная статистика
- Примените моду, медиану, среднее значение и среднеквадратическое отклонение для анализа данных
- Визуализируете результаты анализа и опишете данные
- Научитесь работать с библиотеками Matplotlib, Seaborn и Plotly
-
04
Теория множеств
- Узнаете, что такое множества и зачем они нужны
- Используете матрицы и векторы для анализа данных с помощью NumPy
- Примените операции над множествами в работе с данными
- Научитесь читать математические обозначения интегрального и дифференциального исчисления
- Узнаете, как использовать диаграммы Венна для анализа проблем
-
05
Теория вероятности
- Узнаете, что такое вероятность и условная вероятность
- Выполните простые задания на вероятность
-
06
Случайные величины и распределения
- Примените теорему Байеса в повседневной жизни при принятии решений
- Узнаете, что такое распределение и как оно связано с вероятностью
- Поймете, что такое математическое ожидание и дисперсия
- Научитесь анализировать проблемы и задачи в рабочем контексте
- Опишете задачу с помощью математического ожидания, дисперсии и коэффициента эксцесса
-
07
Зависимость между случайными величинами
- Поймете разницу между корреляцией и причинностью
- Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции
- Узнаете, что такое математическое ожидание, дисперсия, ковариация и корреляция
-
08
Основные распределения
- Рассмотрите основные распределения, научитесь их применять
- Выявите, какое распределение описывает вашу проблему
- Используете библиотеку stats
-
09
Данные. Статистика. Выборка
- Узнаете, что такое статистика и какие проблемы она решает
- Рассмотрите методы выборки
- Научитесь планировать и делать сборник данных
-
10
Точечная оценка
- Понимаете, что такое точечная оценка
- Узнаете, как работает метод максимальной вероятности
- Используете простые статистики для оценки пропорций и средних значений
-
11
Интервальная оценка
- Рассмотрите, что такое доверительный интервал
- Интерпретируете доверительный интервал
- Научитесь строить доверительные интервалы для простых проблем и поймете, в каких случаях они не работают
-
12
Проверка статистических гипотез
- Узнаете, что такое P-значение и как его интерпретировать
- Разбираетесь в типах ошибок
- Формулируете статистические гипотезы
- Проверяете простые статистические гипотезы разными методами
-
13
Анализ качественных данных
- Научитесь анализировать качественные данные
- Поймете, как строить и анализировать таблицы сопряженности
- Проверите адекватность модели с помощью chi-square и библиотеки stats
-
14
Статистика на практике
- Научитесь распознавать возможную ошибку в анализе и корректировать ее
- Узнаете, как проводить поправку во время проверки множеств гипотез
-
15
Регрессионный анализ
- Сформулируете проблему для линейной регрессии
- Научитесь использовать scikit-learn для регрессионного анализа данных
- Узнаете, как проверять результат регрессионного анализа на адекватность
- Отрегулируете свою модель разными методами в случае переобучения
-
16
Логистическая регрессия. Введение в машинное обучение
- Поймете, что такое статистическое обучение
- Научитесь решать проблемы классификации с помощью логистической регрессии
- Разберетесь, как применять перекрестную проверку
- Научитесь использовать scikit-learn для классификации данных с помощью логистической регрессии и перекрестной проверки
- Научитесь делать перекрестную проверку вручную
-
17
Заключительное занятие. Выводы
- Узнаете, как приниматься за решение проблем
- Поймете, как снизить вероятность ошибок
-
18
Презентация курсового проекта
- Представите свою работу коллегам
Регистрация