Школа Данных Введение в Data Science (Александр Крот, Сергей Марин)

0
0 отзывов
equalizer Сравнить favorite_border В избранное
Арт: Q110291
Цена:
479.6
doneМного
doneЗаканчивается
highlight_offНет в наличии
notifications_none
Уведомить

[?IMG]?

Основы Python, математики и статистики для подготовки к профессии Data Scientist и основному курсу Школы Данных. Если Вы хотите изучать машинное обучение и анализ данных, но у Вас не хватает знаний Python и математики, то Вам на этот курс. Мы разберем все, что Вам необходимо знать, чтобы проходить обучение профессии Data Scientist: линейную алгебру, методы оптимизации, статистику и Python
Количество занятий: 6 занятий
Формат обучения: онлайн
Преподаватели: Сергей Марин и Александр Крот


Программа курса :
1 занятие - Оптимизация
  • Задачи нелинейного программирования (одномерный и многомерный случай)
  • Задачи с ограничениями-неравествами
  • Критерий оптимальности: теорема Куна-Таккера
  • Различные формы задач линейного программирования
  • Численные методы оптимизация
2 занятие - Теорвер + Матстатистика
  • Понятие события и вероятности
  • Элементы комбинаторики
  • Основные теоремы в теории вероятности
  • Формула Байеса
  • Случайные величины и их характеристики
  • Предельные теоремы
  • Выборочные распределения
  • Интервальные оценки
  • Статистическая проверка гипотез
3 занятие - Линейная Алгебра
  • Множества и операции над ними
  • Матрицы и операции над ними (линейные, умножение, транспонирование)
  • Элементарные преобразования матриц (метод Гаусса)
  • Определители и их свойства
  • Получение обратной матрицы
  • Системы линейных алгебраических уравнений
  • Методы разложения матриц
4 занятие - Python
  • Настройка среды: установка Anaconda
  • Обзор Jupyter Notebook
  • Обзор стандартной библиотеки
  • Типа обьектов и работа с ними
  • Операторы, условные конструкции и циклы
  • Работа с последовательностями, таблицами
  • Алгоритмическая сложность
  • Основные структуры данных
  • Основные алгоритмы Computer Science
  • Библиотеки для анализа данных: numpy, scipy, pandas, scikit-learn, matplotlib, seaborn
5 занятие - Social Network Analysis
  • Введение в анализ графов
  • Основные понятия теории графов
  • Алгоритмы обхода графов
  • Продвинутые алгоритмы на графах
  • Выделение лидеров мнений в сетях
  • Обзор инструментов для работы с графами - библиотека networkx
6 занятие - Работа с текстовыми данными
  • Обзор современных задач обработки естесственного языка
  • Обзор подходов к анализу текстов
  • Работа с текстовыми данными в Python
  • Извлечение сущностей из текста (Named Entity Recognition)
  • Классификация текстов, определение (Sentiment Analysis)