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. 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. 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 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)