[Stepik] Библиотеки Python для Data Science (Юлия Пономарева) Чему вы научитесь - Решать задачи классификации, кластеризации и регрессии - Проводить чистку данных от пропусков и выбросов - Корректно готовить данные для модели - Оценивать работу моделей - Улучшать качество предсказаний - Работа с Numpy, Pandas, Sklearn, Matplotlib, Seaborn Начальные требования - Основы Python - Основы статистики Цели курса 1 Разобраться в этапах проекта в Data Science 2 Научиться решать задачи классификации, кластеризации, регрессии 3 Усвоить тонкости работы с табличными данными через Pandas 4 Освоить обучение моделей через Sklearn 5 Познакомиться с подготовкой данных для моделей 5.1 Очистка 5.2 Кодирование признаков 5.3 Генерация новых признаков 5.4 Выбор признаков Почему стоит выбрать именно этот курс 1 В этом курсе 8 лекций с практическими упражнениями, которые покрывают основы Data Science. 2 Решения заданий проверяются преподавателем. 3 Поддержка преподавателя на всем пути изучения. 4 Каждому нюансу уделяется особое внимание, информация разжевывается до мелочей и подается вам. Какие особенности у курса В этом курсе 8 лекций записанных лекций, которые взяты с занятий с группой студентов. Видео представленны трансляциями на youtube, где в формате живого общения рассказывается материал и даются ответы на вопросы студентов. Что нужно будут делать Нужно внимательно смотреть видео-лекции (60-120 минут), выполнять практические задания, которые будет проверять преподаватель,, выполнять тесты на усвоение материала с автоматической проверкой, не бояться ошибаться и экспериментировать с данными и моделями и наслаждаться процессом обучения. Для кого этот курс Для тех, кто хочет разбираться в Data Science, кто хочет научиться корректно подготавливать данных, кто хочет решать задачи классификации, регрессии и кластеризации, кто хочет получить навык написания кода на Numpy, Pandas, Sklearn, Matplotlib, Seaborn.
