Data Science - zdalnie – 12 h weekendowo

Data Science od podstaw – kurs zdalny.

Marzysz o wkroczeniu na rynek pracy jako Data Scientist? Chcesz się rozwinąć pod okiem doświadczonych trenerów?

Jeśli wkraczasz w Data Science ponieważ wiesz, że jest to nowa waluta XXI wieku, nurtują Cię zagadnienia związane z przetwarzaniem danych i chcesz zacząć je rozumieć, a także pragniesz nauczyć się pisać praktyczne projekty – mamy dla Ciebie coś, dzięki czemu rozwiniesz się w tym kierunku.

12h

Praktycznych zajęć

Platforma

z zadaniami online

Certyfikat

ukończenia kursu

Jak przebiega ten kurs?

Kurs Data Science obejmuje:

12 godzin zajęć w ciągu dwóch dni.

Czym są zajęcia zdalne?

Atmosfera i przebieg kursu jest zbliżony do tego odbywającego się w trybie stacjonarnym, z tą różnicą, że trener i inni uczestnicy są po drugiej stronie ekranu. 🙂

Kurs odbywa się w czasie rzeczywistym w określonym dniu i w godzinie w trybie online. Dzięki ustalonemu harmonogramowi i prowadzeniu ich na żywo uczestnicy mogą kontaktować się z trenerem na bieżąco i są zmotywowaniu do regularnego uczestnictwa.

Dla kogo jest ten kurs?

Zapraszamy wszystkich, którzy chcą poszerzyć swoją wiedzę lub rozważają rozpoczęcie kariery jako Data Scientist.

Czego się nauczysz?

Poznasz podstawowe narzędzia do Data Science.
Dowiesz się czym jest pandas
Zdobędziesz wiedzę na temat uczenia maszynowego.
Będziesz umieć pracować z danymi i wykonywać na nich najważniejsze operacje
Nauczysz się modelowania i testowania modelu regresji.

Program kursu

1. Pandas: praca z danymi tabelarycznymi.

Podstawowe operacje w pakiecie.
Szeregi. Szeregi czasowe.
Obsługa ramek danych.
Przetwarzanie i obsługa brakujących danych.
Grupowanie danych.
Operacje na ramkach danych i ich złączanie.
Inne rodzaje ramek danych, dane przestrzenne.
Operacje wejścia i wyjścia.
Odczytywanie rekordów z różnych źródeł i zapisywanie ramek do różnych źródeł

2. Tworzenie pipeline do uczenia maszynowego, dobre praktyki.

Schemat pracy z danymi.
Różnica między pracą w notatnikach a IDE.
Stawianie hipotezy, przygotowanie algorytmów.

3. Przygotowanie i eksploracja danych.

Czyszczenie danych.
Przygotowanie danych, transformacja danych.
Analiza danych, korelacja i liniowa zależność między zmiennymi.
Podział na zbiór testowy i treningowy.
Normalizacja danych.

4. Modelowanie i testowanie modeli regresji.

Stworzenie modelu bazowego i systemu ewaluacji wyników.
Dobór modeli. Różnice między uczeniem nadzorowanym a nienadzorowanym, między klasyfikacją a regresją.
Testowanie modeli i dostrajanie hiperparametrów na przykładzie algorytmów regresji (regresja liniowa, elastic net, lasso, regresja za pomocą lasów losowych, regresja przy użyciu sieci neuronowych).
Refaktoryzacja kodu i automatyzacja zadań.
Dokumentowanie projektów Data Science, dobre praktyki.