Библиотеки Python для Data Science

Для кого этот курс:

Для тех, кто хочет разбираться в Data Science, кто хочет научиться корректно подготавливать данных, кто хочет решать задачи классификации, регрессии и кластеризации, кто хочет получить навык написания кода на Numpy, Pandas, Sklearn, Matplotlib, Seaborn

Начальные требования:

• Основы Python
• Основы статистики

Почему стоит выбрать именно этот курс:

1. В этом курсе 8 лекций с практическими упражнениями, которые покрывают основы Data Science.
2. Каждому нюансу уделяется особое внимание, информация разжевывается до мелочей и подается вам.

Цели курса:

1. Разобраться в этапах проекта в Data Science
2. Научиться решать задачи классификации, кластеризации, регрессии
3. Усвоить тонкости работы с табличными данными через Pandas
4. Освоить обучение моделей через Sklearn
5. Познакомиться с подготовкой данных для моделей: очистка, кодирование признаков, генерация новых признаков, выбор признаков.

Чему вы научитесь:

1. Решать задачи классификации, кластеризации и регрессии
2. Проводить чистку данных от пропусков и выбросов
3. Корректно готовить данные для модели
4. Оценивать работу моделей
5. Улучшать качество предсказаний
6. Работа с Numpy, Pandas, Sklearn, Matplotlib, Seaborn

Программа курса:

Введение

1. Приветствие
2. Google Colab

Анализ данных

1. Первичный анализ данных
2. Практические задания Pandas
3. Визуальный анализ данных
4. Практические задания Визуализация

Задачи машинного обучения:

1. Регрессия
2. Практические задания Регрессия
3. Классификация
4. Практические задания Классификация

Улучшение качества данных и модели

1. Улучшение качества данных
2. Практические задания Данные
3. Улучшение качества модели
4. Практические задания Улучшение модели

Проекты

1. Обучение без учителя
2. Практические задания Unsupervised learning
3. "Деревянные" модели
4. Проект