Для кого

• Аналитикам
• Разработчикам

Необходимые знания 

• Линейная алгебра
• Статистика
• Фитон

Чему вы научитесь 

• очистка данных и поиск отсутствующих значений
• прогнозирование и классификация
• кластерный анализ данных и поиск взаимосвязей
• запуск a/b-тестирований и валидация теории
• запуск a/b-тестирований и валидация теории
• Инструменты: Научитесь работать с цифрами и математическими формулами в NumPy, с табличными данными ― в Pandas, с визуализацией ― в Matplotlib, Seaborn и Plotly. И освойте еще 6 библиотек Python для науки о данных
• Сильный контент: Получите обзор основных задач Data Science, разберите базовые типы визуализаций и моделей регрессий, техники построения ансамблей и моделей машинного обучения.
• Практика: Во время обучения вас ждет очень много практики. Вы будете выполнять сложные домашние задания и получать фидбек от лектора по каждому
• Карьера: Значительно расширите стек навыков, сможете внедрить новые решения на текущей работе и заложите фундамент для развития в Data Science

Программа

• Введение в Data Science. Знакомство с задачами и инструментами
• NumPy. Линейная алгебра и статистика
• Pandas. Работа с табличными данными
• Matplotlib и Seaborn. Визуализация данных
• Продвинутые и интерактивные визуализации с Plotly. Exploratory Data Analysis и очистка данных
• Прогнозирование. Линейная регрессия и градиентный спуск
• Прогнозирование. Выбор наилучшей модели и перекрестная валидация
• Прогнозирование. Другие виды регрессий
• Классификация. Логистическая регрессия
• Деревья принятия решений
• Ансамбли моделей
• Алгоритмы бустинга: адаптивный и градиентный бустинг. Библиотеки CatBoost и XGBoost
• Кластерный анализ данных
• Отбор признаков и уменьшение соразмерности данных
• Поиск и устранение отсутствующих значений
• Статистический анализ данных