Чему вы научитесь

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

О курсе

🖥️ 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.