Введение в науку о данных

От: Coursera

1,5 месяца базового освоения науки о данных от СПбГУ. Курс содержит 5 модулей. Занятия 4–6 часов в неделю. Подходит начинающим специалистам Data Science. В программе: математический и программный инструментарии науки о данных, машинное обучение с учителем и без. Живое общение с преподавателем-экспертом. Обучение на основе решения реальных практических задач. После окончания курса студенты получают сертификат.

Сводка

Цена
0₽
Рассрочка
от 200₽
Статус
Идет набор
Начнется
12.10.2020
Длительность
4 недели
Язык
ru

Описание курса

Собирать, обрабатывать, анализировать и визуализировать массивы данных любого размера

- Владеть математическим и программным инструментарием науки о данных
- Работать с машинным обучением: обучение с учителем и без
- Понимать основы предметной области через постановку и решение типичных задач
- Пользоваться инструментальной базой на практике

О школе

Coursera
Отзывы 0
Информация
Компания основана в 2012 году. Официальный сайт https://ru.coursera.org. Мы собрали и проверили более 17 отзывов об онлайн курсах Coursera.

Программа курса

Введение
Цели обучения. О чем этот курс? Аттестация. Пререквизиты.
Общее введение в науку о данных
Примеры реальных задач
Типы данных: маленькие и большие данные
Хранения данных. Форматы файлов
Модели данных
Как подготавливались данные для курса
Математический инструментарий науки о данных.
События и вероятность
Определения вероятности
Случайные величины
Примеры распределений
Основы статистики
Элементы линейной алгебры
Сингулярное разложение матрицы
Обоснование метода сингулярного разложения
Примеры и вычислительные аспекты
Программный инструментарий науки о данных.
Язык программирования Python
Основы программирования на Python
Библиотеки для машинного обучения (Matplotlib)
Библиотеки для машинного обучения (Pandas)
Библиотеки для машинного обучения (Scikit-learn)
Демонстрация получения данных из внешней тестовой коллекции
Демонстрация получения данных из авторской тестовой коллекции
Машинное обучение: обучение с учителем.
Постановка задачи обучения с учителем
Оценка классификации и выбор модели
Линейный SVM
Алгоритмические композиции: boosting, stacking, bagging
Машинное обучение: обучение без учителя.
Постановка задачи обучения без учителя
Принципы выбора модели
Оценка качества обучения
Алгоритм K-means
Введение. Алгоритмы иерархической кластеризации
Метрики. Алгоритмы иерархической кластеризации
Алгоритм LSA
Инструменты
Python
Matplotlib
Pandas
Scikit-learn

Отзывы

Еще не добавили ни одного отзыва