Python Fundamentals. Python for Data Science

Этот курс будет полезен:

• специалистам, которые хотят начать карьеру в Data science;

• специалистам по Data science, которые еще не освоили возможности работы с данными в Python;

• специалистам, работающим с данными (аналитикам, бизнес-аналитикам, исследователям), которые хотят освоить новые гибкие инструменты для работы с данными.

После курса вы сможете:

• понимать основные алгоритмы машинного обучения и практически их использовать для задач классификации и регрессии;

• анализировать данные и строить модели машинного обучения с помощью Python;

• делать качественные и интерактивные визуализации данных.

Часть 1.

1. Введение.

• Что такое программирование?

• История языка Python. IDE.

• Установка среды разработки.

2. Базовый синтаксис языка Python.

• Синтаксис.

• Переменные.

• Типы данных.

• Операторы.

• Ввод и вывод данных.

3. Условные выражения и циклы в Python.

• Булева алгебра.

• Логические операторы.

• Условные операторы.

• Ветвление.

• Циклы for и while.

• Вложенные циклы.

• Break/continue/pass.

4. Структуры данных в Python.

• Списки.

• Индексы.

• Работа со списками.

• Срезы.

• Встроенные функции и методы для работы со списками в Python.

5. Структуры данных в Python.

• Кортежи.

• Доступ к элементам кортежа.

• Работа с кортежем.

• Встроенные методы и функции для работы с кортежами в Python.

6. Структуры данных в Python.

• Строки.

• Манипуляции со строками.

• Доступ к элементам строки.

• Базовые операции.

• Срезы.

• Встроенные функции и методы для работы со строками в Python.

7. Структуры данных в Python.

• Словари.

• Доступ к элементам словаря.

• Работа со словарём.

• Свойства словарей.

• Встроенные методы и функции для работы со словарями в Python.

8. Функции в Python.

• Определение функций.

• Вызов функций.

• Типы функций.

• Параметры и аргументы функции.

• Документация функций.

• Глобальные и локальные переменные.

• Анонимные функции.

9. Исключения в Python.

• Введение.

• Для чего нужны исключения и как с ними работать.

• Обработчики исключений.

10.Модули в Python.

• Импорт модулей.

• Практический пример с модулями Math и Random.

• Пакеты.

Часть 2.

1. Введение в Data Science.

2. Python библиотеки для Анализа данных.

3. Математика для Анализа данных. Основные понятия.

4. Машинное обучение:

• Базовые понятия.

• Виды моделей ML.

• Виды машинного обучения.

5. Логистическая регрессия. Линейная регрессия.

6. Метрики качества.

7. “Древесные алгоритмы”

8. Композиции алгоритмов.

9. Анализ временных рядов.

10. Нейронные сети.