Python/R for Data Science [2021] [itea online] [Олег Сорокин, Роман Кириченко]

Python/R for Data Science [2021]
Itea Online
Олег Сорокин, Роман Кириченко

Python/R for Data Science — это целый комплекс подготовки Data Science-специалистов к работе с большими данными и использованию возможностей программирования в обработке больших данных.

Использование R и Python поможет эффективнее кластеризировать и визуализировать большие массивы данных.

Спойлер: Для кого этот курс

1. Курс нацелен на Data Scientists, которые имеют базовые навыки программирования и математического анализа.
2. Также курс будет полезен специалистам, работающим с данными (аналитикам, бизнес-аналитикам, исследователям), которые хотят освоить новые гибкие инструменты для работы с данными.

Спойлер: На курсе ты научишься

1. Понимать основные алгоритмы машинного обучения и практически их использовать для задач классификации и регрессии.
2. Делать качественные и интерактивные визуализации данных
3. Анализировать данные и строить модели машинного обучения с помощью языков Python и R

Спойлер: Содержание

Модуль 1 - Введение в машинного обучения и Data science

• Определение машинного обучения и науки о данных, их задачи.
• Инструментарий для анализа данных: языки программирования Python и R.
• Типы машинного обучения.
• Составные части модели машинного обучения.
• Базовые концепты машинного обучения.

Модуль 2 - Основы языков программирования Python и R для Data science

• IDE для удобной работы: Jupyter, Spyder & Rstudio.
• Семантика языка
• Типы данных
• Структуры данных
• Операторы контроля исполнения (разветвления и циклов)
• Векторизация в Python (numpy) i R

Модуль 3 - Функциональное программирование в Python и R

• Comprehension, Generators, Iterators в Python.
• Функции в Python i R.
• Встроенные функции Python.
• ФункцииApply-family в R.
• Библиотека purrr для функционального программирования в R.

Модуль 4 - Исследование и подготовка данных к анализу

• Numpy.
• Pandas.
• Фильтрация и агрегация данных в dplyr.
• Long & wide форматы таблиц, их преобразования в библиотеках pandas & tidyr.

Модуль 5 - Визуализация данных в R и Python

• Визуализация данных в R.
• ggplot2 — grammar of graphics.
• Интерактивная графика в R.
• Matplotlib & seaborn.

Модуль 6 - Основные понятия статистического анализа

• Scipy.stats.
• Описательные статистики.
• Зависимости между переменными.

Модуль 7 - Типичные проблемы в подготовке данных к анализу

• Преобразование факторных переменных.
• Борьба с пробелами в данных.
• Проблема мультиколлинеарности.
• Шкалирования данных.
• Выбор информативных переменных для модели.
• Типичный алгоритм подготовки данных к моделированию.

Модуль 8 - Базовые регрессионные модели

• Линейная регрессия.
• Полиномиальная регрессия.
• Метод ближайших соседей.
• Метрики оценки качества регрессии.
• Тюнинг регрессионных моделей.

Модуль 9 - Базовые модели классификации

• Логистическая регрессия.
• Метод опорных векторов.
• Наивный Байесовский классификатор.
• Метрики оценки качества классификации.
• Тюнинг параметров моделей классификации.

Модуль 10 - Базовые модели кластеризации и снижения размерности

• Метод к-средних.
• Иерархический кластерный анализ.
• DBSCAN.
• Анализ.
• Корреспонденс-анализ.

Модуль 11 - Деревья решений и ансамбли

• Базовые древовидные модели.
• Random forest.
• Xgboost, lightgbm.
• Тюнинг гиперпараметров в ансамблевых моделях.

Модуль 12 - Методы улучшения качества моделей машинного обучения

• Аугментация.
• Feature engineering.
• Cross-validation.
• Борьба с переобучением.
• Борьба с дисбалансом данных.
• Регуляризация модели.

Модуль 13 - Введение в архитектуры нейронных сетей. Нейронные сети для классификации изображений

• Keras.
• tensorflow.
• Персептрон.
• CNN.

Модуль 14 - Прогнозирование временных рядов

• AR, MA, ARMA.
• ARIMA.
• VAR.
• Lstm.

Модуль 15 - Документация data science проектов, data science in prod

• Пути организации продакшна для data science-проектов.
• Специфика документации data science проектов.
• Markdown, Latex.

Модуль 16 - Практикум по пути улучшения качества моделей

• Презентация и обсуждение курсовых проектов
• Подведение итогов курса

Примечание: стоимость курса 325 (EUR)

Продажник