курс у записі
фідбек щодо д/з від методиста онлайн-нетворкінгщосереди о 18:00
16 занять
25 годин контенту
Практичний курс про те, як ухвалювати правильні рішення на основі даних, знаходити закономірності, перевіряти гіпотези та робити прогнози навіть за умов невизначеності.
Мова курсу — російська
На курсі ви закладете фундамент математичного мислення, навчитеся проводити регресійний аналіз, застосовувати точкову та інтервальну оцінку, розподіл і статистичні моделі для розв'язання робочих задач.
Ви навчитеся використовувати бібліотеки Python для аналізу та візуалізації даних. Розв'язуватимете задачі прогнозування та класифікації за допомогою математичних формул і аналітики.
За результатами курсу ви навчитеся структурно працювати з великим обʼємом даних, отримаєте ґрунтовний математичний бекграунд і посилите свої компетенції.
Без ґрунтовних знань математики та статистики не вийде проаналізувати дані, навчити модель, знайти закономірності або передбачити щось нове.
Тому на курсі ми почнемо з основ лінійної алгебри та теорії множин, вивчимо базові опції бібліотек NumPy, Pandas, Matplotlib, Seaborn і Plotly. Потім зануримось у теорію ймовірності та методи розподілення даних. Будемо застосовувати точкову та інтервальну оцінку, перевіряти статистичні гіпотези, будувати регресії та робити прогнози.
У результаті ви навчитеся приймати правильні рішення на основі аналізу даних і зможете почати свій шлях в Data Science.
Лектор побудував програму так, щоб ви не просто заучували математичні формули та підходи, а розуміли, як влаштовані процеси аналізу і прогнозування, і одразу застосовували знання на практиці.
В процесі навчання ви будете використовувати бібліотеки NumPy, Pandas, Matplotlib, Seaborn, Plotly, scikit-learn, scipy.stats.
Ви навчитеся знаходити закономірності, валідувати гіпотези, будувати лінійну та поліноміальну регресію. Щодо кожного практичного завдання ви отримуватимете фідбек від методиста Олексія Куліша, Lead Data Scientist в Evoplay.
Отримаєте фундаментальні знання з математики, які допоможуть розвиватися в Data Science та розуміти алгоритми машинного навчання. Це відкриє перед вами можливості карʼєрного зростання.
Олексій Куліш
працює Lead Data Scientist в Evoplay, де розв'язує широкий спектр завдань від прогнозування спортивних подій до моделювання відтоку користувачів
має 15+ років досвіду викладання вищої математики та фізики
пише наукові статті з теоретичної фізики
- Навчитеся визначати структури даних та проводити операції над ними.
- Вивчите базові функції Jupyter Notebook.
- Запустите код у Jupyter Notebook.
- Навчитеся підключати бібліотеки Python.
- Навчитеся оперувати даними за допомогою бібліотек NumPy та Pandas.
- Дізнаєтесь, як застосовувати дескриптивну статистику для опису та візуалізації даних.
- Навчитеся застосовувати моду, медіану, середнє значення та середньоквадратичне відхилення для аналізу даних.
- Опануєте візуалізацію даних за допомогою бібліотек Matplotlib, Seaborn та Plotly.
- Перейдете до вивчення основних понять теорії множин.
- Навчитеся застосовувати операції над множинами у роботі з даними, використовувати діаграми Венна для аналізу проблем.
- Навчитеся працювати з векторами та матрицями за допомогою бібліотеки NumPy.
- Навчитеся читати математичні позначення для розробки та імплементації алгоритмів.
- Дізнаєтеся, у чому різниця між імовірністю та статистикою.
- Опануєте різні підходи визначення ймовірності.
- Навчитеся розв'язувати прості задачі на ймовірність.
- Вивчите теорему Баєса, щоби правильно розмірковувати про ймовірність у повсякденному житті.
- Розберетеся в поняттях розподілу, математичного очікування, дисперсії, коваріації, кореляції тощо.
- Встановите взаємозв'язок між розподілом та ймовірністю.
- Навчитеся аналізувати та використовувати в роботі діаграми розсіювання для аналізу кореляції.
- Ознайомитеся з прикладами використання розподілів, математичного очікування та дисперсії.
- Розберетеся в тому, який зв'язок існує між розподілом та ймовірністю.
- Дізнаєтеся, в чому полягає різниця між кореляцією й причинністю та чи допоможе проходження цього курсу збільшити вашу зарплату.
- Навчитеся аналізувати та використовувати в роботі діаграми розсіювання для аналізу кореляції.
- Вивчите основні види розподілів: біномний розподіл, розподіл Пуассона, розподіл Гаусса. Навчитеся їх застосовувати.
- Визначите, який розподіл описує вашу проблему.
- Почнете використовувати бібліотеку stats.
- Розберетеся в тому, що таке статистика і які питання вона розв'язує.
- Вивчите методи вибірки.
- Навчитеся планувати та виконувати складання даних.
- Застосуєте моду, медіану та середнє значення для аналізу даних, а потім візуалізуєте результати аналізу та опишете дані за допомогою бібліотек Matplotlib, Seaborn та Plotly.
- Навчитеся передбачати результати виборів.
- Вивчите поняття точкової оцінки.
- Зробите перші кроки до інтерпретації даних.
- Зможете використовувати інтервальну оцінку для визначення помилок під час інтерпретації даних.
- Вивчите, що таке довірчий інтервал, які бувають його приклади та інтерпретації.
- Побудуєте довірчий інтервал для простої проблеми.
- Перейдете до вивчення основних та конкуруючих гіпотез.
- Дізнаєтеся, що таке значення P і як його інтерпретувати.
- Навчитеся визначати типи помилок.
- Сформулюєте статистичну гіпотезу, а потім перевірите її у різний спосіб.
- Відкриєте доступ до знань про якісні змінні та непараметричні методи.
- Навчитеся аналізувати якісні дані.
- Побудуєте та проаналізуєте таблиці сполученості.
- Перевірите адекватність моделі за допомогою chi-square та бібліотеки stats.
- Навчитеся використовувати статистичні методи на підприємстві.
- Розпізнаєте можливу помилку в аналізі та відкоригуєте її.
- Зрозумієте, як проводити поправку під час перевірки множин гіпотез.
- Вивчите поняття лінійної регресії, поліноміальної регресії, методу найменших квадратів.
- Сформулюєте проблему для лінійної регресії.
- Зможете використовувати бібліотеку scikit-learn для регресійного аналізу даних.
- Перевірите результат регресійного аналізу на адекватність.
- Познайомитеся з основами статистичного навчання.
- Навчитеся розв'язувати проблеми класифікації за допомогою логістичної регресії.
- Навчитеся застосовувати перехресну перевірку.