Курс Анализ данных на Python [2019] [Nordic IT School] [Зохраб Ахундов, Сергей Дормидонтов, Константин Зорин, Андрей Беренда, Вячеслав Жуков]

Курс Анализ данных на Python [2019] [Nordic IT School] [Зохраб Ахундов, Сергей Дормидонтов, Константин Зорин, Андрей Беренда, Вячеслав Жуков]

Что такое анализ данных и с чем его едят?) Мы ежедневно сталкиваемся с разными проблемами и задачами, с разными экспериментами, которые подкидывает нам жизнь. Мы пытаемся добраться до работы оптимальным маршрутом, мы пытаемся распределить свое время между карьерой и личной жизнью таким образом, чтобы ничего из этого не пострадало. Мы ежедневно пытаемся оптимизировать свою целевую функцию - качество жизни. Задача анализа данных состоит в том, чтобы уметь извлекать эту информацию, которую предоставляет нам жизнь и обрабатывать ее так, чтобы максимально эффективно оптимизировать заданную функцию цели.

Спойлер: Изучаемые технологии

1. Python
2. Jupyter Notebook
3. SQL & SQLite
4. Pandas
5. Matplotlib
6. Plotly & Dash
7. Scikit-learn
8. NLTK & Pymorphy2
9. Keras
10. BigQuery

Спойлер: Содержание

1. Блок

1.1 Python - базовые конструкции языка:​

• Функции и переменные
• Условия и циклы
• Списки, словари, кортежи, множества
• Объекты, классы, наследование

1.2 Статистика - основные понятия:​

• Типы данных (шкал)
• Вероятность, случайная величина, распределение
• Гипотезы, статистическое решение

1.3 Python - прикладные возможности:​

• Регулярные выражения
• Работа с файлами
• Работа с интернетом
• Примеры использования API
• Облегчение жизни: логи, tqdm, мультипроцессинг

1.4 SQL:​

• Синтаксис запросов
• Создание базы данных
• Работа с базой из Python
• BigQuery

1.5 Статистика - простые методы и их типичные применения:​

• Описательные статистики
• Корреляция
• Сравнение групп
• Линейная регрессия
• Бутстреп

2. Блок

2.1 Основы машинного обучения:​

• Pandas - супер-таблицы
• Sklearn - машинное обучение
• NLTK и Pymorphy2 - работа с естественным языком
• Matplotlib, plotly, dash - визуализация и дашборды
• Keras - конструктор нейросетей

2.2 Машинное обучение - самые нужные алгоритмы:​

• Кластеризация (методы, метрики)
• Классификация (методы, метрики)
• Регрессия (методы, метрики)
• Кратко о нейронный сетях (устройство, виды, преимущества)
• Основы анализа текстов

2.3 Машинное обучение - практические применения:​

• Предсказание оттока клиентов
• Рекомендательные системы
• Чат-боты

2.4 Машинное обучение - приемы и хитрости:​

• Выбор и генерация признаков
• Что может пойти не так
• Стэкинг, бэггинг, бустинг

Продажник