- #SkladchinaVip
- #1
[Stepik] Библиотеки Python для Data Science [Юлия Пономарева]
- Ссылка на картинку
-
[Stepik] Библиотеки Python для Data Science (Юлия Пономарева)
Чему вы научитесь
- Решать задачи классификации, кластеризации
- Проводить чистку данных от пропусков и выбросов
- Корректно готовить данные для модели
- Оценивать работу моделей
- Улучшать качество предсказаний
- Работа с Numpy, Pandas, Sklearn, Matplotlib, Seaborn
Начальные требования
- Основы Python
- Основы статистики
Цели курса
1 Разобраться в этапах проекта в Data Science
2 Научиться решать задачи классификации, кластеризации, регрессии
3 Усвоить тонкости работы с табличными данными через Pandas
4 Освоить обучение моделей через Sklearn
5 Познакомиться с подготовкой данных для моделей
5.1 Очистка
5.2 Кодирование признаков
5.3 Генерация новых признаков
5.4 Выбор признаков
Почему стоит выбрать именно этот курс
1 В этом курсе 8 лекций с практическими
2 Решения заданий проверяются преподавателем.
3 Поддержка преподавателя на всем пути изучения.
4 Каждому нюансу уделяется особое внимание, информация разжевывается до мелочей и подается вам.
Какие особенности у курса
В этом курсе 8 лекций записанных лекций, которые взяты с занятий с группой студентов. Видео представленны трансляциями на youtube, где в формате живого общения рассказывается материал и даются ответы на вопросы студентов.
Что нужно будут делать
Нужно внимательно смотреть видео-лекции (60-120 минут), выполнять практические задания, которые будет проверять преподаватель,, выполнять тесты на усвоение материала с автоматической проверкой, не бояться ошибаться и экспериментировать с данными и моделями и наслаждаться процессом обучения.
Для кого этот курс
Для тех, кто хочет разбираться в Data Science, кто хочет научиться корректно подготавливать данных, кто хочет решать задачи классификации, регрессии и кластеризации, кто хочет получить навык написания кода на Numpy, Pandas, Sklearn, Matplotlib, Seaborn.
Чему вы научитесь
- Решать задачи классификации, кластеризации
- Проводить чистку данных от пропусков и выбросов
- Корректно готовить данные для модели
- Оценивать работу моделей
- Улучшать качество предсказаний
- Работа с Numpy, Pandas, Sklearn, Matplotlib, Seaborn
Начальные требования
- Основы Python
- Основы статистики
Цели курса
1 Разобраться в этапах проекта в Data Science
2 Научиться решать задачи классификации, кластеризации, регрессии
3 Усвоить тонкости работы с табличными данными через Pandas
4 Освоить обучение моделей через Sklearn
5 Познакомиться с подготовкой данных для моделей
5.1 Очистка
5.2 Кодирование признаков
5.3 Генерация новых признаков
5.4 Выбор признаков
Почему стоит выбрать именно этот курс
1 В этом курсе 8 лекций с практическими
2 Решения заданий проверяются преподавателем.
3 Поддержка преподавателя на всем пути изучения.
4 Каждому нюансу уделяется особое внимание, информация разжевывается до мелочей и подается вам.
Какие особенности у курса
В этом курсе 8 лекций записанных лекций, которые взяты с занятий с группой студентов. Видео представленны трансляциями на youtube, где в формате живого общения рассказывается материал и даются ответы на вопросы студентов.
Что нужно будут делать
Нужно внимательно смотреть видео-лекции (60-120 минут), выполнять практические задания, которые будет проверять преподаватель,, выполнять тесты на усвоение материала с автоматической проверкой, не бояться ошибаться и экспериментировать с данными и моделями и наслаждаться процессом обучения.
Для кого этот курс
Для тех, кто хочет разбираться в Data Science, кто хочет научиться корректно подготавливать данных, кто хочет решать задачи классификации, регрессии и кластеризации, кто хочет получить навык написания кода на Numpy, Pandas, Sklearn, Matplotlib, Seaborn.
Показать больше