Библиотеки Python для Data Science [stepik] [Юлия Пономарева]

[King]

Складчина: Библиотеки Python для Data Science [stepik] [Юлия Пономарева]




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

Начальные требования:

Основы Python
Основы статистики
Почему стоит выбрать именно этот курс:

В этом курсе 8 лекций с практическими упражнениями, которые покрывают основы Data Science.
Каждому нюансу уделяется особое внимание, информация разжевывается до мелочей и подается вам.
Цели курса:

Разобраться в этапах проекта в Data Science
Научиться решать задачи классификации, кластеризации, регрессии
Усвоить тонкости работы с табличными данными через Pandas
Освоить обучение моделей через Sklearn
Познакомиться с подготовкой данных для моделей: очистка, кодирование признаков, генерация новых признаков, выбор признаков.
Чему вы научитесь:

Решать задачи классификации, кластеризации и регрессии
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
Программа курса:

Введение

Приветствие
Google Colab
Анализ данных

Первичный анализ данных
Практические задания Pandas
Визуальный анализ данных
Практические задания Визуализация
Задачи машинного обучения:

Регрессия
Практические задания Регрессия
Классификация
Практические задания Классификация
Улучшение качества данных и модели

Улучшение качества данных
Практические задания Данные
Улучшение качества модели
Практические задания Улучшение модели
Проекты

Обучение без учителя
Практические задания Unsupervised learning
"Деревянные" модели
Проект
Цена 4000 руб.




СЛИВ СКЛАДЧИН

Для просмотра скрытого содержимого вы должны зарегистрироваться