Об этом курсе

Недавно просмотрено: 72,082
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 37 часов на выполнение
Русский
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 37 часов на выполнение
Русский

от партнера

Placeholder

Московский физико-технический институт

Placeholder

ФРОО

Placeholder

Mail.Ru Group

Программа курса: что вы изучите

Оценка контентаThumbs Up74%(2,367 оценки)Info
Неделя
1

Неделя 1

5 ч. на завершение

Математика и Python для анализа данных

5 ч. на завершение
12 видео ((всего 65 мин.)), 10 материалов для самостоятельного изучения, 4 тестов
12 видео
Векторы и матрицы3мин
Определитель матрицы1мин
Операции с матрицами. Собственные числа матриц4мин
Знакомство с библиотекой Numpy14мин
Знакомство с библиотекой scipy5мин
Знакомство с библиотекой Pandas2мин
Объект pandas.Series4мин
Объект pandas.DataFrame9мин
Группировка данных6мин
Работа с несколькими таблицами7мин
Преобразование признаков3мин
10 материалов для самостоятельного изучения
Telegram и форум курса10мин
Mail.Ru Group5мин
Фонд развития онлайн-образования5мин
Математика10мин
Дополнительная литература10мин
Установка Anaconda10мин
Документация и другие источники10мин
Документация и другие источники10мин
Тест Pandas - решение от преподавателей10мин
Конспект 1-ой недели10мин
4 практических упражнения
Основные понятия математического анализа10мин
Основные понятия линейной алгебры20мин
Numpy и scipy50мин
Pandas
Неделя
2

Неделя 2

4 ч. на завершение

Визуализация данных и статистика

4 ч. на завершение
15 видео ((всего 81 мин.)), 4 материалов для самостоятельного изучения, 3 тестов
15 видео
Визуализация с matplotlib8мин
Расширенная визуализация с matplotlib8мин
Визуализация с pandas8мин
Интерактивная визуализация с plotly10мин
Определение вероятности5мин
Случайная величина4мин
Показатели центра распределения4мин
Нормальное распределение3мин
Центральная предельная теорема1мин
Зависимость между случайными величинами2мин
Распределение Стьюдента1мин
Статистика в scipy6мин
Доверительный интервал8мин
Проверка гипотез и распределение Стьюдента5мин
4 материала для самостоятельного изучения
Дополнительные источники по визуализации10мин
Дополнительные источники по статистике10мин
Практика по статистике – решение от преподавателей10мин
Конспект 2-ой недели10мин
2 практических упражнения
Статистический анализ10мин
Практика по статистике
Неделя
3

Неделя 3

8 ч. на завершение

Обучение с учителем

8 ч. на завершение
13 видео ((всего 61 мин.)), 8 материалов для самостоятельного изучения, 7 тестов
13 видео
Виды машинного обучения7мин
Линейная регрессия2мин
Функционал качества и градиентный спуск3мин
Логистическая регрессия2мин
Применение линейных моделей9мин
Данные и переобучение8мин
Метрики качества4мин
Применение метрик качества8мин
Решающие деревья2мин
Случайный лес3мин
Градиентный бустинг2мин
Применение ансамблевых моделей5мин
8 материалов для самостоятельного изучения
Дополнительные источники по линейным моделям10мин
Применение линейной регрессии – решение от преподавателей10мин
Дополнительные источники по измерению качества моделей10мин
Регуляризация – решение от преподавателей10мин
Метрики качества – решение от преподавателей10мин
Дополнительные источники по ансамблевым моделям10мин
Практика по ансамблевым моделям – решение от преподавателей10мин
Конспект 3-ей недели10мин
7 практических упражнений
Линейные модели15мин
Применение линейной регрессии
Измерение качества моделей20мин
Регуляризация
Метрики качества
Ансамблевые модели10мин
Практика по ансамблевым моделям
Неделя
4

Неделя 4

7 ч. на завершение

Методы обучения без учителя

7 ч. на завершение
20 видео ((всего 124 мин.)), 7 материалов для самостоятельного изучения, 6 тестов
20 видео
Задача кластеризации, группы методов3мин
Метод K-средних7мин
Практика. Метод K-средних5мин
Иерархическая кластеризация. Агломеративный алгоритм5мин
Практика. Иерархическая кластеризация8мин
DBSCAN6мин
Практическое применение DBSCAN7мин
Оценки качества кластеризации7мин
Мотивация3мин
Метод Главных Компонент (Principal Component Analysis)7мин
Сингулярное разложение матрицы и связь с PCA2мин
Практика. Применение PCA на данных11мин
Многомерное шкалирование6мин
T-SNE5мин
Практика. Применение T-SNE на данных5мин
Рекомендательные системы6мин
Методы коллаборативной фильтрации5мин
Методы с матричными разложениями4мин
Практика. Матрица рейтингов и SVD11мин
7 материалов для самостоятельного изучения
Дополнительные источники по кластеризации10мин
Практика по кластеризации – решение от преподавателей10мин
Дополнительные источники по методам понижения размерности10мин
PCA – решение от преподавателей10мин
Дополнительные источники по рекомендательным системам10мин
Создание рекомендательной системы – решение от преподавателей10мин
Конспект 4-ой недели10мин
6 практических упражнений
Кластеризация30мин
Практика по кластеризации
Методы понижения размерности10мин
PCA
Рекомендательные системы10мин
Создание рекомендательной системы

Рецензии

Лучшие отзывы о курсе PYTHON ДЛЯ АНАЛИЗА ДАННЫХ

Посмотреть все отзывы

Специализация Программирование на Python: общие сведения

Программирование на Python

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.