Data Science: быстрый старт

Навыки, которые вы освоите

• программирование на Python: переменные, функции, условия, циклы, строки, списки, словари, классы и обработка ошибок
• работа в Jupyter Notebook для решения аналитических задач
• работа с файлами и библиотеками: импорт и экспорт данных, чтение и запись
• обработка данных с помощью Pandas и NumPy
• визуализация данных через matplotlib, seaborn и plotly
• основы машинного обучения и понимание supervised- и unsupervised-подходов
• построение и оценка моделей линейной и логистической регрессии
• понимание переобучения, кросс-валидации и метрик качества моделей
• работа с деревьями решений и методами отбора признаков
• разработка собственных ML-проектов: от формулировки задачи до получения предсказаний
• создание скоринговых моделей и решение прикладных задач бизнеса
• применение Data Science для прогнозов: отток, дефолт, продажи

Инструменты и понятия

• Среда и язык
  • Python
  • Jupyter
  • Pip
• Работа с данными
  • Pandas
  • Numpy
  • Google Sheets
• Визуализация
  • Matplotlib
  • Seaborn
  • Plotly
• Машинное обучение
  • Scikit-learn
  • Алгоритмы ML
  • Метрики качества
  • Кросс-валидация
  • Градиентный спуск
  • Отбор признаков
• Дополнительно
  • Telegram Bot API
  • и другие

Программа обучения

• Введение в Python
  • базовый синтаксис и принципы написания кода
  • переменные и простые операции
  • структура программы и стиль
• Типы данных, функции, классы, ошибки
  • типизация и основные типы
  • функции и переиспользование логики
  • классы и основы ООП
  • обработка ошибок
• Строки, условия, циклы
  • операции со строками
  • ветвления и логика условий
  • циклы и повторяющиеся сценарии
  • комбинирование конструкций
• Списки и словари в Python
  • работа со списками
  • структуры «ключ—значение»
  • типовые операции и приёмы
• Пакеты, файлы, Pandas — старт
  • подключение библиотек
  • чтение и запись данных
  • первые шаги в Pandas
• Pandas — продолжение
  • очистка и подготовка данных
  • преобразования и агрегации
  • практика обработки таблиц
  • типовые сценарии анализа
• Визуализация данных
  • графики в matplotlib
  • визуальные приёмы в seaborn
  • интерактивные графики в plotly
• Введение в машинное обучение
  • основные понятия и постановка задач
  • различия supervised и unsupervised
  • пайплайн обучения модели
  • оценка результата
• Линейная регрессия
  • построение модели
  • интерпретация коэффициентов
  • метрики качества
  • типовые ошибки и ограничения
• Бинарная классификация
  • логистическая регрессия
  • оценка качества классификации
  • баланс классов и практические нюансы
  • разбор результатов
• Валидация
  • кросс-валидация
  • переобучение и способы его снижать
  • выбор метрик под задачу
• Решающие деревья
  • принципы работы деревьев
  • настройка параметров
  • оценка и интерпретация
• Feature Engineering и Feature Selection
  • создание признаков
  • отбор признаков
  • влияние признаков на качество модели
• Воркшоп: отток клиентов и прогноз продаж
  • постановка задачи и подготовка данных
  • обучение модели и проверка качества
  • интерпретация результатов
• Воркшоп: скоринг кредитного портфеля
  • построение скоринговой модели
  • оценка качества и устойчивости
  • прикладная логика использования в бизнесе