Бібліотеки Python для аналізу даних
ТРИВАЛІСТЬ:
18 онлайн-занять
щовівторка та щочетверга
Курс, на якому ви навчитеся проводити статистичний аналіз даних за допомогою Python та розвинете математичне мислення для розв’язання реальних завдань Data Science. У результаті — ухвалюватимете рішення на основі цифр, а не абстрактних гіпотез.
-
Результати після курсу:
• обробляєте, аналізуєте та візуалізуєте дані за допомогою Python і його бібліотек
• використовуєте в роботі основні математичні методи й теорії з обробки даних
• інтерпретуєте результати аналізу, знаходите та коригуєте помилки
• описуєте реальні процеси та завдання математичною мовою
• будуєте та перевіряєте статистичні гіпотези
• ухвалюєте правильні рішення на основі аналізу даних
-
У фіналі курсу презентуєте проєкт — результати аналізу на основі одного з математичних методів, який оберете самостійно.
До програми курсу входять:
-
СИЛЬНИЙ КОНТЕНТ Опануєте основи наукового та математичного мислення, а також засвоїте математичні методи й теорії, потрібні для обробки даних.
-
ІНСТРУМЕНТИ Використовуватимете бібліотеки NumPy, Pandas, Matplotlib, Seaborn, Plotly, scikit-learn, scipy.stats.
-
ПРАКТИКА У фіналі навчання презентуєте курсовий, де використаєте методи наукового та статистичного аналізу.
-
КАР’ЄРА Набудете фундаментальних знань з математики, які допоможуть розвиватися в Data Science та розуміти алгоритми машинного навчання.
ЛЕКТОР:
Наталія
Кеес
- Data Scientist в Airbus
- має 5+ років досвіду в Data Science
- створює системи штучного інтелекту для обробки природньої мови
- будує пошукові системи та розумні асистенти для автоматизації процесів
- працювала в Data Science проєктах у сферах науки, страхування, машинобудування
Програма курсу:
-
01
Python для аналізу даних: part 1
- Навчитеся запускати код у Jupyter Notebook
- Проведете базові операції над числами та простими структурами даних
- Застосуєте цикли for та while
- Зрозумієте, як поєднання «математика + Python» допоможе вам у роботі
-
02
Python для аналізу даних: part 2
- Під’єднаєте бібліотеки Python
- Навчитеся оперувати даними за допомогою бібліотек NumPy та Pandas
- Візуалізуєте дані та інтерпретуєте результати за допомогою бібліотек Matplotlib та Seaborn
-
03
Дескриптивна статистика
- Застосуєте моду, медіану, середнє значення та середньоквадратичне відхилення для аналізу даних
- Візуалізуєте результати аналізу та опишете дані
- Навчитеся працювати з бібліотеками Matplotlib, Seaborn та Plotly
-
04
Теорія множин
- Дізнаєтеся, що таке множини та навіщо вони потрібні
- Використаєте матриці та вектори для аналізу даних за допомогою NumPy
- Застосуєте операції над множинами в роботі з даними
- Навчитеся читати математичні позначення інтегрального та диференціального числення
- Дізнаєтеся, як використовувати діаграми Венна для аналізу проблем
-
05
Теорія ймовірності
- Дізнаєтеся, що таке ймовірність та умовна ймовірність
- Виконаєте прості завдання на ймовірність
-
06
Випадкові величини та розподіли
- Застосуєте теорему Баєса в щоденному житті під час ухвалення рішень
- Дізнаєтеся, що таке розподіл та як він пов’язаний з імовірністю
- Зрозумієте, що таке математичне очікування та дисперсія
- Навчитеся аналізувати проблеми та завдання в робочому контексті
- Опишете завдання за допомогою математичного очікування, дисперсії та коефіцієнта ексцесу
-
07
Залежність між випадковими величинами
- Зрозумієте відмінність між кореляцією та причинністю
- Навчитеся аналізувати й використовувати в роботі діаграми розсіювання для аналізу кореляції
- Дізнаєтеся, що таке математичне очікування, дисперсія, коваріація та кореляція
-
08
Основні розподіли
- Розглянете основні розподіли, навчитеся їх застосовувати
- Визначите, який розподіл описує вашу проблему
- Використаєте бібліотеку stats
-
09
Дані. Статистика. Вибірка
- Дізнаєтеся, що таке статистика та які проблеми вона розвʼязує
- Розглянете методи вибірки
- Навчитеся планувати та робити збірку даних
-
10
Точкова оцінка
- Зрозумієте, що таке точкова оцінка
- Дізнаєтеся, як працює метод максимальної вірогідності
- Використаєте прості статистики для оцінювання пропорцій та середніх значень
-
11
Інтервальна оцінка
- Розглянете, що таке довірчий інтервал
- Інтерпретуєте довірчий інтервал
- Навчитеся будувати довірчі інтервали для простих проблем та зрозумієте, у яких випадках вони не працюють
-
12
Перевірка статистичних гіпотез
- Дізнаєтеся, що таке P-значення та як його інтерпретувати
- Розберетеся у типах помилок
- Сформулюєте статистичні гіпотези
- Перевірите прості статистичні гіпотези різними методами
-
13
Аналіз якісних даних
- Навчитеся аналізувати якісні дані
- Зрозумієте, як будувати й аналізувати таблиці сполученості
- Перевірите адекватність моделі за допомогою chi-square та бібліотеки stats
-
14
Статистика на практиці
- Навчитеся розпізнавати можливу помилку в аналізі та коригувати її
- Дізнаєтеся, як проводити поправку під час перевірки множин гіпотез
-
15
Регресійний аналіз
- Сформулюєте проблему для лінійної регресії
- Навчитеся використовувати scikit-learn для регресійного аналізу даних
- Дізнаєтеся, як перевіряти результат регресійного аналізу на адекват
-
16
Логістична регресія. Вступ до машинного навчання
- Зрозумієте, що таке статистичне навчання
- Навчитеся розв’язувати проблеми класифікації за допомогою логістичної регресії
- Розберетеся, як застосовувати перехресну перевірку
- Навчитеся використовувати scikit-learn для класифікації даних за допомогою логістичної регресії та перехресної перевірки
- Навчитеся робити перехресну перевірку вручну
-
17
Заключне заняття. Висновки
- Дізнаєтеся, як братися за розв’язання проблем
- Зрозумієте, як зменшити ймовірність помилок
-
21
Презентація курсового проєкту
-- Презентуєте свою роботу колегам
Реєстрація