[Stepik] Погружение в Data Science и машинное обучение (Максим Дуплей)

​

Data Science - это популярная предметная область, которая занимает одну из лидирующих позиций среди других областей в ИТ.

Специалисты, которые занимаются анализом данных и машинным обучением очень востребованы во многих странах мира, в том числе и в России.

В дальнейшем эта сфера будет еще больше развиваться, так как многие компании понимают, что именно Data Scientist может привнести огромный вклад в развитие компании, который выражается также в денежном эквиваленте.

Этот курс не перегружен математическими формулами и выводами, задача познакомиться с областью, научиться практическим навыкам, а также сформировать целостную картинку о грамотном и поэтапном обучении моделей.

Курс состоит из 4 основных блоков, где в каждом блоке предусмотрены уроки и соответствующие шаги с теорией и практикой:

1. Введение
   
   Вы сможете узнать, что такое Data Science, чем данная область отличается от Machine Learning, а также чем занимаются специалисты в этих направлениях науки.
   Познакомитесь с инструментом для анализа данных Python, а также средой разработки Jupyter Notebook.
   Попробуем с вами установить их для дальнейшей полноценной работы.
   
   
2. Основы Python
   
   В этом блоке вы сможете с нуля познакомиться с языком программирования Python: переменные, типы данных, функции, ООП. Набора перечисленных тем для начального этапа хватит для изучения и применения моделей машинного обучения.
   Также вас ждут практические задания, где вы сможете отточить свои навыки программирования.
   
   
3. Библиотеки для визуализации и анализа данных
   
   Вы познакомитесь с необходимыми инструментами, которые полезны в предварительном анализе данных, перед тем как будем обучать модель.
   Это популярная библиотека Pandas для работы с табличными данными, Matplotlib и Seaborn - библиотеки для визуализации данных и результатов, в том числе обучения моделей.
   
   
4. Машинное обучение
   
   В этом блоке мы познакомимся с моделями машинного обучения: как они работают, в какой ситуации какую модели применять.
   Также разберем библиотеку Scikit-learn, где уже реализовано большинство ML моделей.
   Научимся поэтапно выполнять предобработку данных, обучать модели, а также интерпретировать их результат.

Чему вы научитесь:

1. Программировать на Python с нуля
2. Использовать популярные библиотеки Pandas и Scikit-learn
3. Обучать модели машинного обучения
4. Визуализировать результаты при помощи Matplotlib и Seaborn
5. Разбираться в метриках для оценки результата
6. Интерпретировать результат моделей ML

Спойлер: Программа курса:

Введение

1. Введение
2. Что такое Data Science? Инструменты для анализа данных
3. Знакомство с языком программирования Python
4. Особенности работы с языком программирования Python
5. Об авторе

Основы Python

1. Установка и настройка интерпретатора Python
2. Знакомство с консолью. Условные конструкции
3. Введение в типы данных и циклы. Коллекции данных.
4. Операторы в Python
5. Функции - использование встроенных и создание собственных
6. Основные принципы ООП: методология
7. Открытие и чтение, запись в файл. Работа с форматами данных
8. Работа с библиотекой Requests, HTTP-запросы

Работа в Jupyter Notebook

1. Что такое Jupyter Notebook, Google Colab и JupyterHub
2. Настройка работы в Jupyter Notebook

Библиотеки для визуализации и анализа данных

1. Введение в Pandas. Загрузка и первичный анализ данных
2. Обработка данных в Pandas
3. Визуализация данных при помощи matplotlib и seaborn

Решение интересных и насущных задач

1. Анализ данных о профессиях, зарплатах и возрастах. Графики.

Машинное обучение

1. Введение в машинное обучение
2. Линейная регрессия
3. Логистическая регрессия
4. Подбор параметров алгоритма
5. Метрические алгоритмы

Полезные материалы и ссылки

1. Полезные материалы и ссылки

Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...