Об этом курсе

Недавно просмотрено: 38,383

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 50 часа на выполнение

Предполагаемая нагрузка: 6 недель обучения, 7-9 часов в неделю...

Русский

Субтитры: Русский

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 50 часа на выполнение

Предполагаемая нагрузка: 6 недель обучения, 7-9 часов в неделю...

Русский

Субтитры: Русский

Программа курса: что вы изучите

Оценка контентаThumbs Up79%(1,506 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 материала 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 практического упражнения
Основные понятия математического анализа10мин
Основные понятия линейной алгебры20мин
Numpy и scipy50мин
Pandas
Неделя
2

Неделя 2

5 ч. на завершение

Визуализация данных и статистика

5 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 практического 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 материала 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 практического упражнения
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 материала 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 практического упражнения
Кластеризация10мин
Практика по кластеризации
Методы понижения размерности10мин
PCA
Рекомендательные системы10мин
Создание рекомендательной системы

Рецензии

Лучшие отзывы о курсе PYTHON ДЛЯ АНАЛИЗА ДАННЫХ
Посмотреть все отзывы

от партнера

Логотип Московский физико-технический институт

Московский физико-технический институт

Логотип ФРОО

ФРОО

Логотип Mail.Ru Group

Mail.Ru Group

Специализация Программирование на Python: общие сведения

Программа состоит из четырех курсов, каждый из которых раскрывает определенную тему в Python. Сначала вы научитесь основным конструкциям языка и другим особенностям программирования на Python, далее углубитесь в объектно-ориентированное программирование. Научитесь создавать веб-сервисы и проводить анализ данных. Программа подойдет для студентов и профессионалов с начальными навыками программирования....
Программирование на Python

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

Остались вопросы? Посетите Центр поддержки учащихся.