Образовал
Сложность
Сложность
Продвинутый
Тип обучения
Тип обучения
Курс
Формат обучения
Формат обучения
Записанные лекции
Трудоустройство
Трудоустройство
Отсутствует
Сертификат
Сертификат
Да

Стоимость курса

15 000 ₽
есть рассрочка
Курс «Библиотеки Python для Data Science» ориентирован на начинающих специалистов в науке о данных. В рамках курса мы изучим базовые понятия Data Science и основные библиотеки для работы с данными, визуализации и построения моделей машинного обучения. Студенты научатся использовать основной инструментарий дата сайентиста: библиотеки Numpy, Pandas, Matplotlib, SciKit-Learn. Аудитория: студенты, которые уже знакомы с Python, но не имеют практического опыта работы с необходимыми библиотеками. Курс входит в программу факультета искусственного интеллекта.

Что вы получите после обучения

Приобретаемые навыки
1
Python
2
Data Science
3
NumPy
4
Matplotlib
5
Scikit-learn

Вас будут обучать

Data Scientist Образование и карьера Изучал биостатистику в МГУ им. М. В. Ломоносова, там же впервые начал применять методы машинного обучения, когда это ещё не было в тренде. Занимался автоматизацией...
Data Scientist Образование и карьера Изучал биостатистику в МГУ им. М. В. Ломоносова, там же впервые начал применять методы машинного обучения, когда это ещё не было в тренде. Занимался автоматизацией финансовых технологий и базами данных в «Сбербанке» и «Росбанке», построением финансовых моделей на основе машинного обучения и аналитической деятельностью в компании Equifax. Прогнозирует просмотры рекламы с применением методов искусственного интеллекта в dentsu russia. Приглашённый преподаватель ВШЭ (магистерская программа «Коммуникации, основанные на данных»). Стоял у истоков факультетов Искусственного интеллекта, Аналитики Big Data и Data Engineering онлайн-университета Geek University. Декан факультета Искусственного интеллекта. Почему искусственный интеллект? Исследования в области искусственного интеллекта стартовали еще в середине прошлого века, но самые впечатляющие достижения — как в исследованиях, так и в практическом применении — мы видим с начала 2010. У тех, кто только начал изучать предмет, есть хороший шанс в ближайшем будущем стать незаменимым профессионалом. Профессии, связанные с искусственным интеллектом и пересекающимися с ним сферами — машинным обучением, нейронными сетями, большими данными и робототехникой, — самые интересные и востребованные. Моим студентам Чтобы стать специалистом в сфере искусственного интеллекта, нужно постепенно продвигаться сразу в нескольких направлениях: программировании, математике, различных предметных областях. Особое внимание нужно уделить теоретическим знаниям: в дальнейшем они помогут более осмысленно относиться к профессии. Тут есть огромный бонус — теория, в отличие от технологии, почти не устаревает.
Data Scientist в Delivery Club

Образование и карьера Выпускник факультета анализа данных Сколтеха. До Delivery Club работал в Data-Science-консалтинге (PwC data analytics lab, ~2 года) и в ML Research (~1,5 года). Среди моих успешно завершённых индустриальных проектов — рекомендательные системы для ритейла, оптимизация маркетинговых кампаний на основе ML, определение оптимальной геолокации для новых точек продаж и многое другое. Почему Python Python — достаточно простой и универсальный язык. На нём можно написать как ML-модель, так и небольшое приложение. Также под Python написано, пожалуй, самое большое количество библиотек по анализу данных. Моим студентам Образование на основе практических заданий и построения MVP — один из важнейших компонентов любого Data Scientist. Поэтому в своих вебинарах я буду рассказывать в большей степени именно про практическое применение ML, а также про различные трюки при подготовке данных и обучении моделей.

Образовательная организация

Мы учим людей с нуля осваивать программирование, веб-дизайн и маркетинг. Проводим онлайн-курсы со стажировкой и бесплатные мастер-классы, развиваем сообщество, сотрудничаем с компаниями по трудоустройству и непрерывно тестируем новые методики для поднятия эффективности обучения.
Освойте новые профессии на длительных программах. В ходе обучения вы приобретете практические знания, отточите навыки и получите документ, подтверждающий уровень квалификации
GeekBrains — это образовательная платформа, в которой любой человек может получить всё для успешного профессионального будущего.

Мы поможем пройти путь от выбора профессии до выхода на работу по новой специальности. Преподаватели-практики обучают программированию, маркетингу, управлению, дизайну, аналитике и продакшену. После успешного завершения учебы гарантируем стажировку и помощь в трудоустройстве.

На наших ресурсах вы найдете более 1000 бесплатных вебинаров, которые помогают развиваться профессионально и прокачивают soft skills — непрофильные навыки для эффективной работы.

За 10 лет на платформе зарегистрировались и получили доступ к новым знаниям более 4,5 млн человек. А в 2016 году мы вошли в состав Mail.ru Group — крупнейшего IT-гиганта России.

Присоединяйтесь, чтобы освоить новую профессию и поменять жизнь к лучшему!

Программа курса

Урок 1. Вебинар. Введение в курс Знакомство и цели курса.
Урок 2. Видеоурок. Вычисления с помощью Numpy. Работа с данными в Pandas Вычисления с помощью Numpy. Начало работы в Jupyter Notebook. Многомерные массивы в Numpy. Применение Numpy для линейной алгебры. Генерирование массивов с заданными свойствами. Функции для работы с данными.
Урок 3. Вебинар. Вычисления с помощью Numpy. Работа с данными в Pandas Обратная связь от преподавателя. Разбор вопросов.
Урок 4. Видеоурок. Визуализация данных в Matplotlib. Построение графиков в Matplotlib. Выведение дополнительной информации на график. Объекты библиотеки Matplotlib.
Урок 5. Вебинар. Визуализация данных в Matplotlib Обратная связь от преподавателя. Разбор вопросов.
Урок 6. Видеоурок. Обучение с учителем в Scikit-learn Линейная регрессия. Логистическая регрессия. Support Vector Machine. KNN. Деревья решений и случайный лес.
Урок 7. Вебинар. Обучение с учителем в Scikit-learn Обратная связь от преподавателя. Разбор вопросов.
Урок 8. Видеоурок. Обучение без учителя в Scikit-learn. Кластеризация. Понижение размерности данных. Алгоритм tSNE.
Урок 9. Вебинар. Обучение без учителя в Scikit-learn и введение в итоговый проект Обратная связь от преподавателя. Разбор вопросов.
Урок 10. Вебинар. Консультация по итоговому проекту Обратная связь от преподавателя. Разбор вопросов.

Рейтинг курса

4.5
рейтинг
0
0
0
0
0
обновлено 05.10.2022 10:21

Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn

Оставить отзыв
Поделиться курсом с друзьями