[Stepik] Погружение в Data Science и машинное обучение (Максим Дуплей)

Курс познакомит вас со сферой Data Science. Вы узнаете чем занимается специалист в данной области, какие задачи решает и какие он применяет инструменты в своей работе. Мы с вами попробуем представить себя в роли Data Scietist и на практике на простых задачах попробовать обучить свои первые модели, а также сделать на их основании выводы. Чему вы научитесь Программировать на Python с нуля Использовать популярные библиотеки Pandas и Scikit-learn Обучать модели машинного обучения Визуализировать результаты при помощи Matplotlib и Seaborn Разбираться в метриках для оценки результата Интерпретировать результат моделей ML О курсе Data Science - это популярная предметная область, которая занимает одну из лидирующих позиций среди других областей в ИТ. Специалисты, которые занимаются анализом данных и машинным обучением очень востребованы во многих странах мира, в том числе и в России. В дальнейшем эта сфера будет еще больше развиваться, так как многие компании понимают, что именно Data Scientist может привнести огромный вклад в развитие компании, который выражается также в денежном эквиваленте. Этот курс не перегружен математическими формулами и выводами, задача познакомиться с областью, научиться практическим навыкам, а также сформировать целостную картинку о грамотном и поэтапном обучении моделей. Курс состоит из 4 основных блоков, где в каждом блоке предусмотрены уроки и соответствующие шаги с теорией и практикой: 1. Введение Вы сможете узнать, что такое Data Science, чем данная область отличается от Machine Learning, а также чем занимаются специалисты в этих направлениях науки. Познакомитесь с инструментом для анализа данных Python, а также средой разработки Jupyter Notebook. Попробуем с вами установить их для дальнейшей полноценной работы. 2. Основы Python В этом блоке вы сможете с нуля познакомиться с языком программирования Python: переменные, типы данных, функции, ООП. Набора перечисленных тем для начального этапа хватит для изучения и применения моделей машинного обучения. Также вас ждут практические задания, где вы сможете отточить свои навыки программирования. 3. Библиотеки для визуализации и анализа данных Вы познакомитесь с необходимыми инструментами, которые полезны в предварительном анализе данных, перед тем как будем обучать модель. Это популярная библиотека Pandas для работы с табличными данными, Matplotlib и Seaborn - библиотеки для визуализации данных и результатов, в том числе обучения моделей. 4. Машинное обучение В этом блоке мы познакомимся с моделями машинного обучения: как они работают, в какой ситуации какую модели применять. Также разберем библиотеку Scikit-learn, где уже реализовано большинство ML моделей. Научимся поэтапно выполнять предобработку данных, обучать модели, а также интерпретировать их результат.