Apple Watch
Модератор
- 01.01.22
- 10.215
- 30.784
Другие курсы от автора:
[Николай Никитенко] Подборка гипнотических сеансов
[Николай Зимич] Пробуждение голоса. Пакет VIP (2020)
[МФТИ] Математика для анализа данных. Часть 1 (2020)
[Татьяна Румянцева] Дом мечты (2021)
[Алексей Левандовский] Ци Мень Фен Шуй (2019)
[Андрей Манов] Большой курс по биохакингу для всех (2020)
[Андрей Манов] Биохакинг для фриланса (2020)
[Николай Зимич] Пробуждение голоса. Пакет VIP (2020)
[МФТИ] Математика для анализа данных. Часть 1 (2020)
[Татьяна Румянцева] Дом мечты (2021)
[Алексей Левандовский] Ци Мень Фен Шуй (2019)
[Андрей Манов] Большой курс по биохакингу для всех (2020)
[Андрей Манов] Биохакинг для фриланса (2020)
[МФТИ] Первичный анализ данных в Python (часть 1) (2021)
Описание курса
Неделя 1.
Познакомимся с основами Python, напишем первые программы, будем много практиковаться для получения уверенности в языке.
На этой неделе мы изучим и освежим в голове те части языка Python, которые дальше пригодятся для анализа данных. Вас ждет большое количество практических упражнений. Также вы получите большое финальное задание на весь курс. Изучение новых инструментов на практике в течение курса будут открывать новые кусочки пазла знаний и навыков, необходимых для выполнения финального проекта.
Неделя 2.
Подготовка данных к анализу — первый шаг к решению аналитической задачи. Учимся подготавливать данные к анализу и эффективно работать с табличными данными с помощью Pandas.
Научимся эффективно работать с табличными данными и выполнять базовую бизнес-аналитику с помощью Pandas.
В качестве практического проекта будем исследовать влияние данных о возвратах банковских кредитов. Вы подготовите отчет для кредитного отдела банка. Нужно разобраться, влияет ли семейное положение и количество детей у заемщика на факт своевременного возврата кредита.
Неделя 3.
Исследовательский анализ данных. Учимся использовать средства визуализации для работы с данными Matplotlib и Seaborn.
Исследовательский анализ данных. Предварительный поиск закономерностей в данных позволяет получить первое представление о природе данных и помогает сформулировать первые гипотезы для анализа. Учимся использовать средства визуализации для работы с данными. Познакомимся с модулями для визуализации данных Matplotlib и Seaborn.
Неделя 4.
Изучаем основы статистики и теории вероятностей для решения бизнес-задач. Учимся тестировать гипотезы. Введение в A/B-тесты.
Измерить эффективность внедрения нового функционала в продукт можно понятными статистическими методами с помощью A/B-тестирования.
В качестве практического проекта вы построите систему рекомендаций товаров для пользователей интернет-магазина.
Неделя 5.
Прогнозирование временных рядов, знакомство с азами машинного обучения.
На этой неделе мы на реальных данных о продажах товаров интернет-магазина будем учиться анализировать и предсказывать временные ряды с помощью Python-модуля Prophet. Также в виде бонуса посмотрим, как можно автоматически находить закономерности в данных с помощью машинного обучения.
Неделя 6.
Используем все полученные навыки для выполнения финального проекта.
На этой неделе мы будем заниматься выполнением финального проекта. Используем все полученные на курсе знания и навыки для решения задачи прогнозирования закупок товаров на склады магазина. Бонус: выдаем руководство по написанию собственного телеграм-бота.
Подробнее:
Описание курса
ПРОГРАММА КУРСА
Неделя 1.
Познакомимся с основами Python, напишем первые программы, будем много практиковаться для получения уверенности в языке.
На этой неделе мы изучим и освежим в голове те части языка Python, которые дальше пригодятся для анализа данных. Вас ждет большое количество практических упражнений. Также вы получите большое финальное задание на весь курс. Изучение новых инструментов на практике в течение курса будут открывать новые кусочки пазла знаний и навыков, необходимых для выполнения финального проекта.
Неделя 2.
Подготовка данных к анализу — первый шаг к решению аналитической задачи. Учимся подготавливать данные к анализу и эффективно работать с табличными данными с помощью Pandas.
Научимся эффективно работать с табличными данными и выполнять базовую бизнес-аналитику с помощью Pandas.
В качестве практического проекта будем исследовать влияние данных о возвратах банковских кредитов. Вы подготовите отчет для кредитного отдела банка. Нужно разобраться, влияет ли семейное положение и количество детей у заемщика на факт своевременного возврата кредита.
Неделя 3.
Исследовательский анализ данных. Учимся использовать средства визуализации для работы с данными Matplotlib и Seaborn.
Исследовательский анализ данных. Предварительный поиск закономерностей в данных позволяет получить первое представление о природе данных и помогает сформулировать первые гипотезы для анализа. Учимся использовать средства визуализации для работы с данными. Познакомимся с модулями для визуализации данных Matplotlib и Seaborn.
Неделя 4.
Изучаем основы статистики и теории вероятностей для решения бизнес-задач. Учимся тестировать гипотезы. Введение в A/B-тесты.
Измерить эффективность внедрения нового функционала в продукт можно понятными статистическими методами с помощью A/B-тестирования.
В качестве практического проекта вы построите систему рекомендаций товаров для пользователей интернет-магазина.
Неделя 5.
Прогнозирование временных рядов, знакомство с азами машинного обучения.
На этой неделе мы на реальных данных о продажах товаров интернет-магазина будем учиться анализировать и предсказывать временные ряды с помощью Python-модуля Prophet. Также в виде бонуса посмотрим, как можно автоматически находить закономерности в данных с помощью машинного обучения.
Неделя 6.
Используем все полученные навыки для выполнения финального проекта.
На этой неделе мы будем заниматься выполнением финального проекта. Используем все полученные на курсе знания и навыки для решения задачи прогнозирования закупок товаров на склады магазина. Бонус: выдаем руководство по написанию собственного телеграм-бота.
Подробнее:
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
Последнее редактирование:
