Python для Data Science
На курсі ви навчитеся:
Використовувати NumPy та Pandas для обробки й трансформації даних
Проводити глибокий EDA та будувати автоматизовані звіти в Sweetviz
Створювати інформативні візуалізації з Matplotlib та Seaborn
Формулювати й перевіряти статистичні гіпотези, виконувати A/B-тестування
Будувати базові ML-моделі: регресії, дерева рішень, ансамблі, кластеризацію
Застосовувати Data-Driven підхід у реальних бізнес-задачах
Онлайн-курс для ефективного аналізу даних та Data Science
Дати:
15 січня — 12 березня
9 тижнів / 17 онлайн-занять / 7 домашніх завдань
Навчіться обробляти великі набори даних, проводити глибокий аналіз, будувати візуалізації та прості ML-моделі для реальних бізнес-задач.
Прокачати аналітичні та Data Science компетенції допоможуть Олександра Кардаш, Software Engineer у Google та Ірина Безкровна, Technical Data Lead у Xometry, з багаторічним досвідом у прогнозуванні, класифікації, оптимізації та впровадженні дата-рішень у бізнес.
Ми рекомендуємо курс Python для Data Science, якщо ви:
-
Аналітик або продакт-аналітик Опануєте бібліотеки Python для Data Science, навчитеся швидко обробляти дані, знаходити закономірності та пропонувати ефективні бізнес-рішення.
-
Розробник з базовим Python Навчитеся будувати EDA, прості ML-моделі та графіки, знаходити інсайти і автоматизувати аналіз даних для прийняття рішень на основі статистики.
Лекторка курсу Data Science with Python
Олександра
Кардаш
- Software Engineer у 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
15 січня / 19:30 за Києвом
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
19 січня / 19:30 за Києвом
NumPy. Лінійна алгебра і статистика
- навчитеся використовувати функції лінійної алгебри й статистики в NumPy
- зможете вводити й виводити numpy-матриці та масиви різної величини
22 січня / 19:30 за Києвом
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
26 січня / 19:30 за Києвом
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
29 січня / 19:30 за Києвом
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
2 лютого / 19:30 за Києвом
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
5 лютого / 19:30 за Києвом
Інші типи регресій
- навчитеся будувати багатовимірну лінійну регресію
- дізнаєтесь, як інтерпретувати коефіцієнти лінійної регресії
9 лютого / 19:30 за Києвом
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
12 лютого / 19:30 за Києвом
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
16 лютого / 19:30 за Києвом
Модель «дерева рішень»
- ознайомитеся з принципом роботи моделі «дерева рішень»
- зможете навчати моделі дерев рішень для розв'язання задач регресії та класифікації
19 лютого / 19:30 за Києвом
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
23 лютого / 19:30 за Києвом
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
26 лютого / 19:30 за Києвом
Кластерний аналіз даних
- навчитеся виявляти групи схожих екземплярів у даних за допомогою кластеризації
- дізнаєтесь, як працюють методи кластеризації K-Means, DBSCAN та Agglomerative Clustering
2 березня / 19:30 за Києвом
Статистичний аналіз даних
- навчитеся генерувати випадкові величини різних розподілів
- зможете перевірити гіпотезу про нормальність розподілу
- навчитеся порівнювати розподіл двох випадкових величин
5 березня / 19:30 за Києвом
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
9 березня / 19:30 за Києвом
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)
12 березня / 19:30 за Києвом
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
Забронювати місце
Приєднуйтеся до курсу Python для Data Science, щоб освоїти ключові інструменти аналізу даних, будувати прогнози та створювати ML-моделі для реальних бізнес-задач