Онлайн-курс
Тривалість:
17 онлайн-занять
щопонеділка та щочетверга
Навчіться користуватися бібліотеками Python і проводити комплексний аналіз даних, щоб знаходити інсайти й ухвалювати data-driven рішення.
На курсі Data Science with Python ви:
-
• опануєте 10 ключових бібліотек Python для роботи з даними та їхньої візуалізації
• навчитесь очищувати дані та шукати відсутні значення, а ще опануєте прогнозування і класифікацію, кластерний аналіз даних та пошук взаємозв’язків
• навчитеся запускати A/B-тести й валідувати гіпотези, відбирати ознаки та будувати моделі Machine Learning
• зможете проводити розвідувальний аналіз даних, будувати дерева рішень та ансамблі для завдань класифікації та прогнозування
Лекторка курсу Data Science with Python
Олександра
Кардаш
- Senior Software Engineer в Google
- former Director of Data Science у Shelf ― американському стартапі у сфері Knowledge Management
- була одним із перших Data Scientists у Shelf.io і брала участь у розбудові DS-команди до понад 15 спеціалістів
- має 5 років досвіду в Data Science у різних технічних галузях, працювала зі стартапами від ідеї до готового продукту
- у портфоліо ― успішні кейси у сфері Forecasting & Time Series Analysis, оптимізації, предиктивної аналітики та NLP
Методистка курсу Data Science with Python
Ірина
Безкровна
- Technical Data Lead у Xometry
- former Product Analyst у Genesis Tech
- на чинній посаді формує технічне бачення аналітичних рішень та відповідає за масштабування data-процесів у компанії
- має 5+ років досвіду роботи з даними: від Data Engineer до Data Scientist та аналітичного лідерства
- впроваджувала A/B-тести, сегментації та моделі прогнозування у сфері E-commerce, мобільних застосунків
- брала участь у створенні алгоритму ML-ідентифікації, використовувала моделі прогнозування для виявлення потенційних CPA
ПРОГРАМА КУРСУ DATA SCIENCE WITH PYTHON:
-
01
15.01.2026 19:30
Задачі Data Science. Interactive Python і знайомство з NumPy
- з'ясуєте, чим машинне навчання відрізняється від класичного програмування
- зрозумієте, як формулюється задача машинного навчання
- розберете процес роботи над Data Science задачами
- навчитеся створювати масиви та виконувати базові операції над ними в бібліотеці NumPy
- ознайомитеся з перевагами бібліотеки NumPy для роботи з даними
-
02
19.01.2026 19:30
NumPy. Лінійна алгебра і статистика
- навчитеся використовувати функції лінійної алгебри й статистики в NumPy
- зможете вводити й виводити numpy-матриці та масиви різної величини
-
03
22.01.2026 19:30
Знайомство з Pandas
- навчитеся створювати, імпортувати й експортувати табличні дані в Pandas Dataframe
- зможете маніпулювати табличними даними (створення нових колонок, агрегації)
- з'ясуєте, як швидко і зручно працювати з табличними даними за допомогою Pandas
-
04
26.01.2026 19:30
Візуалізація даних
- навчитеся будувати базові візуалізації в Python за допомогою matplotlib і seaborn
- розберете три способи візуалізації даних з Pandas Dataframe
- зможете побудувати просунуті візуалізації: heatmap, box plot, pair plot, cumulative plot
- опануєте побудову базових інтерактивних візуалізацій
-
05
29.01.2026 19:30
Exploratory Data Analysis (EDA) та очищення даних
- зрозумієте мету й етапи EDA
- навчитеся досліджувати структуру будь-якого набору даних
- зможете виявляти пропущені значення, дублікати й очищувати дані
- знатимете кілька технік заповнення пропусків та зрозумієте, коли яку використовувати
-
06
02.02.2026 19:30
Задача прогнозування. Лінійна регресія. Градієнтний спуск
- зрозумієте, як працює лінійна регресія
- дізнаєтесь, як працює алгоритм градієнтного спуску
- навчитеся тренувати модель лінійної регресії з використанням бібліотеки sklearn
- розберетесь, як оцінити якість моделі лінійної регресії
-
07
05.02.2026 19:30
Інші типи регресій
- навчитеся будувати багатовимірну лінійну регресію
- дізнаєтесь, як інтерпретувати коефіцієнти лінійної регресії
-
08
09.02.2026 19:30
Вибір найкращої моделі. Техніки валідації. Пошук гіперпараметрів
- дізнаєтеся, навіщо розбивати вибірку на train/validation/test-вибірки
- зрозумієте, в чому відмінність validation- і test-вибірок
- дізнаєтеся, що таке гіперпараметри моделі та в чому їхня відмінність від параметрів
- ознайомитеся з методами підбору гіперпараметрів та навчитеся викликати їх у scikit-learn
- дізнаєтеся, що таке перехресна валідація та як використовувати її в sklearn
- зрозумієте, що таке overfit i underfit (і чому це проблема)
- навчитеся застосовувати регуляризацію в моделях регресії
-
09
12.02.2026 19:30
Задача класифікації. Логістична регресія
- зможете навчати модель логістичної регресії для класифікації даних та оцінювати її якість
- дізнаєтеся, що робити у випадку мультикласової класифікації та як оцінити якість таких моделей
-
10
16.02.2026 19:30
Модель «дерева рішень»
- ознайомитеся з принципом роботи моделі «дерева рішень»
- зможете навчати моделі дерев рішень для розв'язання задач регресії та класифікації
-
11
19.02.2026 19:30
Ансамблі моделей, алгоритми бустингу
- зрозумієте, як працюють ансамблі моделей та в чому їхні переваги
- навчитеся будувати різні типи ансамблів моделей
- дізнаєтесь, який спосіб ансамблювання потрібно використати у випадку high bias, а який — у випадку high variance
- розберете відмінність адаптивного бустингу від градієнтного
- ознайомитеся з базовим функціоналом бібліотеки xgboost
-
12
23.02.2026 19:30
Вибір ознак. Зменшення розмірності даних
- навчитеся зменшувати розмірність набору даних з великою кількістю ознак
- зможете обрати фічу так, щоб залишити тільки найбільш значущі для моделі
- дізнаєтесь, як працюють і чим відрізняються методи зменшення розмірності SVD, PCA та LDA
-
13
26.02.2026 19:30
Кластерний аналіз даних
- навчитеся виявляти групи схожих екземплярів у даних за допомогою кластеризації
- дізнаєтесь, як працюють методи кластеризації K-Means, DBSCAN та Agglomerative Clustering
-
14
02.03.2026 19:30
Статистичний аналіз даних
- навчитеся генерувати випадкові величини різних розподілів
- зможете перевірити гіпотезу про нормальність розподілу
- навчитеся порівнювати розподіл двох випадкових величин
-
15
05.03.2026 19:30
Від історії AI до Prompt Engineering
- зрозумієте, як розвивався штучний інтелект і чому зараз відбувся «АІ-бум»
- розберете різницю між класичним ML і Generative AI
- навчитеся формулювати ефективні промпти для задач аналізу даних і Python-коду
- зможете використовувати базові AI-інструменти для перевірки та оптимізації промптів
-
16
09.03.2026 19:30
AI Tools for Data & Developers
- ознайомитеся з AI-інструментами для аналітиків та Python-розробників
- навчитеся використовувати AI для написання коду, аналізу даних і створення візуалізацій
- зможете інтегрувати AI-асистента у власне робоче середовище (VS Code, Jupyter, GitHub)
-
17
12.03.2026 19:30
Співбесіди й вимоги до них. Розповсюджені помилки в домашніх завданнях
- дізнаєтесь, як підготуватися до технічної співбесіди та пройти її успішно
- отримаєте відповіді на проблемні запитання, які виникли протягом курсу
- отримаєте правильні відповіді на домашні завдання та дізнаєтесь, які найпоширеніші помилки роблять спеціалісти
Реєстрація