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

Библиотеки Python для Data Science

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.

Чему Вы научитесь

  • Вычисления с помощью Numpy
  • Работа с данными в Pandas
  • Визуализация данных в Matplotlib
  • Начало работы с Scikit-learn
  • Обучение с учителем в Scikit-learn
  • Обучение без учителя в Scikit-learn
  • Обзор дополнительных возможностей для работы с данными в Python

Что Вы получите

Видеозаписи всех онлайн-занятий
Методички и практические задания
Общение с одногруппниками
Сертификат об окончании обучения

Средние оценки

4.5 / 5
Программа
4.7 / 5
Преподаватель

Преподаватели

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

После обучения мы предлагаем всем выпускникам оценить программу курса и преподавателя, а также при желании оставить отзыв.
Все отзывы и оценки мы публикуем без изменений.