Josef Brechler
Assistant Director / Data Scientist
v Moody's Analytics
Připravujeme
Kurz datové vědy v Pythonu pro analytiky, softwarové inženýry a manažery s předchozími zkušenostmi s Pythonem a základními znalostmi statistiky.
Naučte se prakticky využít znalost programovacího jazyka Python v oblasti datové vědy. Ovládněte široké spektrum datových analýz a metod strojového učení, vytvářejte modely strojového učení a manipulujte s rozsáhlými datovými sadami.
Teoretické koncepty v oblasti datové vědy mohou být těžko uchopitelné, protože předpokládají určité znalosti programování, matematiky a statistiky. Během kurzu tyto koncepty srozumitelně vysvětlíme na reálných příkladech.
Chcete proniknout hlouběji do oblasti data science, ale chybí vám znalosti z oblasti statistiky? Ukážeme, jak fungují jednotlivé nástroje z oblasti data science. Při své práci potom snáze najdete řešení, která splní požadavky všech zúčastněných stran.
Ztrácíte se v nejnovějších trendech v oblasti strojového učení? Náš kurz mapuje základní oblasti strojového učení a data science a pomůže vám se v nových trendech a technologiích zorientovat a udržet krok s konkurencí.
Pochopení teoretických konceptů data science bývá často výzvou. Proto jsme připravili kurz Pythonu pro datovou vědu, kde vám všechny tyto koncepty srozumitelně vysvětlíme, včetně aplikace na reálných příkladech.
Naučíte se prakticky implementovat rozmanité nástroje a koncepty pro analýzu dat a pracovat s rozsáhlými datovými sadami. Během živého online kurzu vypracujete programové kódy dle zadání a získáte k nim zpětnou vazbu od lektora.
Naučte se využívat Python pro složitější úkoly, včetně práce s rozsáhlými datovými sadami. Pracujte v Notebooku Jupyter a využívejte Python knihovny pro práci s daty.
Implementujte modely strojového učení, manipulujte s daty a vytvářejte vizualizace. Naučte se prakticky využít nově nabyté znalosti lineární algebry a statistiky.
Vytvářejte a implementujte modely strojového učení pomocí Pythonu. Pochopte jeho základní principy a metody včetně lineární regrese, klasifikačních modelů a dalších.
Úkol:
- Vytvoření pole Numpy vložením hodnot
- Rozšíření pole o další dimenze
- Řezy vícerozměrného pole
- Matematické operace nad polem
Úkol:
- Načtení datového souboru
- Zjištění konkrétní hodnoty v souboru pomocí filtrování
- Agregace dat
- Vizualizace dat
Úkol: - Vytvoření vizualizačního souboru pomocí sweetwiz
- Základní interpretace výsledku
Úkol:
- Nacvičení modelu lineární regrese
- Výpočet predikce
- Vizualizace skutečných vs. predikovaných hodnot
- Základní diagnostika modelu
Úkol:
- Použití funkcí na vyhledání a ošetření chybějících hodnot
- Aplikace normalizační funkce
Úkol: - Vytvoření objektu scikit-learn pipeline obsahujícího několik transformačních kroků
- Použití pipeliny pro úpravu datového souboru
Úkol:
- Nacvičení vybraného modelu (lineární regrese nebo rozhodovací strom) s použitím vhodné cross-validace
- Vyhodnocení takto nacvičeného modelu
Úkol: Vytvoření predikce s použitím některého z ensemble modelů
Úkol:
- Predikce časové řady na vlastním nebo připraveném datasetu
- Aplikace všech kroků, které jsme se v průběhu kurzu naučili
Úkol:
- Shluková analýza na vybraném datovém soubry
- Redukce dimenzionality na vybraném datové soubor
Vyplň registrační formulář a připoj se k nám!
Náš tým konzultantů z robot_dreams Czech se s tebou spojí co nejdříve,
abys získal všechny potřebné detaily o obsahu kurzu a jeho ceně.