Математика та статистика для Data Science
Ви навчитеся проводити статистичний аналіз даних за допомогою Python та розвинете математичне мислення для розв'язання реальних завдань Data Science
Кристина Ісакова,
PhD в області математичного моделювання
Data Scientist у Holidu
5+ років досвіду
Навчитесь аналізувати та обробляти дані за допомогою математичних методів, застосовувати операції над множинами в роботі з датасетами, використовувати прості статистики для оцінювання пропорцій та середніх значень.
Зможете застосовувати математичні формули для інтерпретації результатів аналітики, визначення статистичної значущості та похибки; дізнаєтесь, як використовувати матриці та вектори для аналізу даних за допомогою NumPy.
Опануєте Python для аналізу даних, навчитеся структурно працювати з великим обсягом даних, розвинете статистичну інтуїцію та зможете оцінювати рішення й методи інших компаній і консультантів.
• обробляєте, аналізуєте та візуалізуєте дані за допомогою Python і його бібліотек
• використовуєте математичні методи та теорії для 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
Наприкінці курсу ви закріпите отримані знання на практиці та презентуєте результати власного аналізу на основі одного з математичних методів, який оберете самостійно.
Ви опануєте основи наукового та математичного мислення, а також освоїте основні методи та теорії, необхідні для обробки даних.
У процесі навчання ви будете використовувати бібліотеки NumPy, Pandas, Matplotlib, Seaborn, Plotly, scikit-learn, scipy.stats.
Ви навчитеся розв’язувати завдання лінійної та логістичної регресії, аналізувати та інтерпретувати дані, перевіряти статистичні гіпотези та знаходити закономірності.
Ви отримаєте фундаментальні знання з математики, які допоможуть розвиватися в Data Science та розуміти алгоритми машинного навчання.
- Запускаєте код у Jupyter Notebook
- Проводите базові операції над числами та простими структурами даних
- Застосовуєте цикли for та while
- Розумієте, як поєднання «математика + Python» допоможе вам у роботі
- Під'єднуєте бібліотеки Python
- Оперуєте даними за допомогою бібліотек NumPy та Pandas
- Візуалізуєте дані та інтерпретуєте результати за допомогою бібліотек Matplotlib та Seaborn
- Застосовуєте моду, медіану, середнє значення та середньоквадратичне відхилення для аналізу даних
- Візуалізуєте результати аналізу та описуєте дані
- Використовуєте бібліотеки Matplotlib, Seaborn та Plotly
- Знаєте, що таке множини та навіщо вони потрібні
- Використовуєте матриці та вектори для аналізу даних за допомогою NumPy
- Застосовуєте операції над множинами в роботі з даними
- Вмієте читати математичні позначення інтегрального та диференціального числення
- Використовуєте діаграми Венна для аналізу проблем
- Знаєте, що таке ймовірність та умовна ймовірність
- Виконуєте прості завдання на ймовірність
- Застосовуєте теорему Баєса в щоденному житті під час ухвалення рішень
- Знаєте, що таке розподіл та як він пов’язаний з імовірністю
- Розумієте, що таке математичне очікування та дисперсія
- Вмієте аналізувати проблеми та завдання в робочому контексті
- Описуєте завдання за допомогою математичного очікування, дисперсії та коефіцієнта ексцесу
- Розумієте різницю між кореляцією та причинністю
- Вмієте аналізувати та використовувати в роботі діаграми розсіювання для аналізу кореляції
- Знаєте, що таке математичне очікування, дисперсія, коваріація та кореляція
- Знаєте основні розподіли, вмієте їх застосовувати
- Визначаєте, який розподіл описує вашу проблему
- Використовуєте бібліотеку stats
- Знаєте, що таке статистика та які проблеми вона розвʼязує
- Вивчили методи вибірки
- Плануєте та виконуєте збірку даних
- Розумієте, що таке точкова оцінка
- Знаєте, як працює метод максимальної вірогідності
- Використовуєте прості статистики для оцінювання пропорцій та середніх значень
- Знаєте, що таке довірчий інтервал
- Інтерпретуєте довірчий інтервал
- Будуєте довірчі інтервали для простих проблем та розумієте, у яких випадках вони не працюють
- Знаєте, що таке P-значення та як його інтерпретувати
- Розбираєтесь у типах помилок
- Формулюєте статистичні гіпотези
- Перевіряєте прості статистичні гіпотези різними методами
- Аналізуєте якісні дані
- Будуєте та аналізуєте таблиці сполученості
- Перевіряєте адекватність моделі за допомогою chi-square та бібліотеки stats
- Розпізнаєте можливу помилку в аналізі та коригуєте її
- Проводите поправку під час перевірки множин гіпотез
- Формулюєте проблему для лінійної регресії
- Використовуєте scikit-learn для регресійного аналізу даних
- Перевіряєте результат регресійного аналізу на адекватність
- Регулюєте свою модель різними методами в разі перенавчання
- Знаєте, що таке статистичне навчання
- Розв'язуєте проблеми класифікації за допомогою логістичної регресії
- Застосовуєте перехресну перевірку
- Використовуєте scikit-learn для класифікації даних за допомогою логістичної регресії
- Використовуєте scikit-learn для перехресної перевірки
- Вмієте робити перехресну перевірку вручну
- Знаєте, як братися за розв'язання проблем
- Розумієте, як зменшити ймовірність помилок
- ТЕМА: Використання наукового методу та статистичного аналізу для розв'язання проблеми.
- ФОРМАТ: студенти отримають завдання для проєкту на 15 заняттях, на виконання в них буде 1,5 тижня, після чого вони презентують результати свого аналізу перед лектором та рештою студентів.
- ВИМОГИ ДО ПРОЄКТУ: Візуалізувати дані та провести дескриптивний аналіз. Самостійно вибрати метод розв’язання завдання (перевірка статистичних гіпотез чи довірчий інтервал), письмово обґрунтувати цей вибір. Застосувати вибраний метод. Застосувати регресії, письмово пояснити результати та висновки. Використати бібліотеку Python. Презентувати рішення лектору та студентам.