- Регистрация
- 26.05.2022
- Сообщения
- 26 725
- Реакции
- 187
- Баллы
- 63
Математика и статистика для Data Science [2021]
robot dreams
Сергей Бобровский
Загрузите основы математического мышления уже сейчас.
Как принимать правильные решения на основе данных, находить закономерности, проверять гипотезы и заложить фундамент для развития в data science ― узнайте на курсе.
После этого курса вы сможете
1. Применять математические формулы под конкретные задачи и понимать, почему нужно использовать именно их.
2. Находить закономерности и тенденции в данных.
3. Строить и проверять статистические гипотезы.
4. Предсказывать результаты выборов и находить взаимосвязи между затратами на рекламу и продажами.
5. Работать с big data структурно и без хаоса.
6. Получить знания и навыки, которые необходимы для работы в сфере data science и machine learning.
7. Повысить уровень квалификации на вашей текущей позиции.
Курс будет полезен
1. Analyst / Data Scientist (beginner)
Вы заложите фундамент математического мышления, научитесь проводить регрессионный анализ, применять точечную и интервальную оценку, основы распределения и статистические модели для решения рабочих задач. Это позволит вам находить закономерности в big data, строить статистические гипотезы и использовать данные на уровне Data Scientist.2. Python ∪ Java Developers
Вы научитесь применять библиотеки Python для анализа и визуализации данных. Будете решать задачи прогнозирования и классификации при помощи основных математических методов аналитики.3. Other IT specialists / Technical teachers ∪ students
Вы научитесь структурно работать с большим объемом данных, получите основательный математический бэкграунд и усилите свои компетенции.
Содержание
Модуль 1 - Python для анализа данных: part 1
Начните знакомство с Python.
Научитесь определять структуры данных и проводить операции над ними.
Изучите базовые функции Jupyter Notebook.
Запустите код в Jupyter Notebook.
Модуль 2 - Python для анализа данных: part 2
Подключите библиотеки Python.
Научитесь с их помощью упрощать подготовку и обработку данных.
Откройте навык [умею оперировать данными при помощи библиотек NumPy и Pandas] и [визуализирую данные с помощью библиотек MatPlotLib и Seaborn].
Модуль 3 - Теория множеств и линейная алгебра
Перейдите к изучению основных понятий теории множеств.
Научитесь применять операции над множествами в работе с данными.
Используйте диаграммы Венна для анализа проблем.
Перейдите к работе с векторами и матрицами при помощи библиотеки NumPy.
Освойте чтение математических обозначений для разработки и имплементации алгоритмов.
Модуль 4 - Введение в теорию вероятности
Узнайте, в чем состоит разница между вероятностью и статистикой.
Освойте разные подходы к определению вероятности.
Научитесь решать простые задачи на вероятность.
Изучите теорему Байеса, чтобы правильно размышлять о вероятности в повседневной жизни.
Модуль 5 - Случайные величины и распределения
Получите доступ к знаниям по темам: распределение, математическое ожидание, дисперсия, ковариация и корреляция.
Установите взаимосвязь между распределением и вероятностью.
Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции.
Модуль 6 - Основные распределения
Изучите основные виды распределений: биномиальное распределение, распределение Пуассона, распределение Гаусса. Научитесь их применять.
Получите доступ к возможности определять, какое распределение описывает вашу проблему.
Начните использовать библиотеку stats.
Модуль 7 - Данные. Статистика. Выборка
Разберитесь в том, что такое статистика и какие вопросы она решает.
Изучите методы выборки.
Научитесь планировать и выполнять сборку данных.
Примените моду, медиану и среднее значение для анализа данных а затем визуализируйте результаты анализа и опишите данные с помощью библиотек MatPlotLib, SeaBorn и Plotly.
Модуль 8 - Точечная оценка и метод максимального правдоподобия
Научитесь предсказывать результаты выборов.
Изучите понятие точечной оценки.
Сделайте первые шаги к интерпретации данных: узнайте, что выборка говорит о настоящем распределении.
Поймите, как работает метод максимального правдоподобия.
Модуль 9 - Интервальная оценка
Научитесь правильно предсказывать результаты выборов.
Используйте интервальную оценку для определения ошибок при интерпретации данных.
Изучите, что такое доверительный интервал, какие бывают его примеры и интерпретации.
Постройте доверительный интервал для простой проблемы.
Модуль 10 - Проверка статистических гипотез
Перейдите к изучению основных и конкурирующих гипотез.
Узнайте, что такое P-значение и как его интерпретировать.
Научитесь определять типы ошибок.
Сформулируйте статистическую гипотезу. Затем проверьте ее разными методами.
Модуль 11 - Анализ качественных данных
Откройте доступ к знаниям о качественных переменных и непараметрических методах.
Научитесь анализировать качественные данные.
Постройте и проанализируйте таблицы сопряженности.
Проверьте адекватность модели c помощью chi-square и библиотеки stats.
Модуль 12 - Статистика на практике
Научитесь использовать статистические методы на предприятии.
Распознайте возможную ошибку в анализе и откорректируйте ее.
Поймите, как проводить поправку при множественной проверке гипотез.
Модуль 13 - Регрессионный анализ
Изучите следующие понятия: линейная регрессия, полиномиальная регрессия, метод наименьших квадратов.
Сформулируйте проблему для линейной регрессии.
Используйте библиотеку ScikitLearn для регрессионного анализа данных.
Затем проверьте результат вашего регрессионного анализа на адекватность.
Модуль 14 - Логистическая регрессия. Введение в машинное обучение
Познакомьтесь с основами статистического обучения.
Научитесь решать проблемы классификации с помощью логистической регрессии.
Используйте ScikitLearn.
Научитесь применять перекрестную проверку.
И снова используйте ScikitLearn.
Затем попробуйте сделать перекрестную проверку вручную.
Модуль 15 - Заключение. Как врать при помощи статистики
Ознакомьтесь с научным методом и дизайном экспериментов.
Разберите примеры экспериментального дизайна.
Узнайте о том, как приступать к решению проблем.
Научитесь уменьшать вероятность ошибок.
Модуль 16 - Презентация курсового проекта
Проведите статистический анализ для решения проблемы на основе данных, которые получите от лектора.
Защитите курсовой проект перед лектором и студентами вашего потока.
Примечание: на момент создания темы актуальная цена не известна.
Продажник
robot dreams
Сергей Бобровский
Загрузите основы математического мышления уже сейчас.
Как принимать правильные решения на основе данных, находить закономерности, проверять гипотезы и заложить фундамент для развития в data science ― узнайте на курсе.
После этого курса вы сможете
1. Применять математические формулы под конкретные задачи и понимать, почему нужно использовать именно их.
2. Находить закономерности и тенденции в данных.
3. Строить и проверять статистические гипотезы.
4. Предсказывать результаты выборов и находить взаимосвязи между затратами на рекламу и продажами.
5. Работать с big data структурно и без хаоса.
6. Получить знания и навыки, которые необходимы для работы в сфере data science и machine learning.
7. Повысить уровень квалификации на вашей текущей позиции.
Курс будет полезен
1. Analyst / Data Scientist (beginner)
Вы заложите фундамент математического мышления, научитесь проводить регрессионный анализ, применять точечную и интервальную оценку, основы распределения и статистические модели для решения рабочих задач. Это позволит вам находить закономерности в big data, строить статистические гипотезы и использовать данные на уровне Data Scientist.2. Python ∪ Java Developers
Вы научитесь применять библиотеки Python для анализа и визуализации данных. Будете решать задачи прогнозирования и классификации при помощи основных математических методов аналитики.3. Other IT specialists / Technical teachers ∪ students
Вы научитесь структурно работать с большим объемом данных, получите основательный математический бэкграунд и усилите свои компетенции.
Содержание
Модуль 1 - Python для анализа данных: part 1
Начните знакомство с Python.
Научитесь определять структуры данных и проводить операции над ними.
Изучите базовые функции Jupyter Notebook.
Запустите код в Jupyter Notebook.
Модуль 2 - Python для анализа данных: part 2
Подключите библиотеки Python.
Научитесь с их помощью упрощать подготовку и обработку данных.
Откройте навык [умею оперировать данными при помощи библиотек NumPy и Pandas] и [визуализирую данные с помощью библиотек MatPlotLib и Seaborn].
Модуль 3 - Теория множеств и линейная алгебра
Перейдите к изучению основных понятий теории множеств.
Научитесь применять операции над множествами в работе с данными.
Используйте диаграммы Венна для анализа проблем.
Перейдите к работе с векторами и матрицами при помощи библиотеки NumPy.
Освойте чтение математических обозначений для разработки и имплементации алгоритмов.
Модуль 4 - Введение в теорию вероятности
Узнайте, в чем состоит разница между вероятностью и статистикой.
Освойте разные подходы к определению вероятности.
Научитесь решать простые задачи на вероятность.
Изучите теорему Байеса, чтобы правильно размышлять о вероятности в повседневной жизни.
Модуль 5 - Случайные величины и распределения
Получите доступ к знаниям по темам: распределение, математическое ожидание, дисперсия, ковариация и корреляция.
Установите взаимосвязь между распределением и вероятностью.
Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции.
Модуль 6 - Основные распределения
Изучите основные виды распределений: биномиальное распределение, распределение Пуассона, распределение Гаусса. Научитесь их применять.
Получите доступ к возможности определять, какое распределение описывает вашу проблему.
Начните использовать библиотеку stats.
Модуль 7 - Данные. Статистика. Выборка
Разберитесь в том, что такое статистика и какие вопросы она решает.
Изучите методы выборки.
Научитесь планировать и выполнять сборку данных.
Примените моду, медиану и среднее значение для анализа данных а затем визуализируйте результаты анализа и опишите данные с помощью библиотек MatPlotLib, SeaBorn и Plotly.
Модуль 8 - Точечная оценка и метод максимального правдоподобия
Научитесь предсказывать результаты выборов.
Изучите понятие точечной оценки.
Сделайте первые шаги к интерпретации данных: узнайте, что выборка говорит о настоящем распределении.
Поймите, как работает метод максимального правдоподобия.
Модуль 9 - Интервальная оценка
Научитесь правильно предсказывать результаты выборов.
Используйте интервальную оценку для определения ошибок при интерпретации данных.
Изучите, что такое доверительный интервал, какие бывают его примеры и интерпретации.
Постройте доверительный интервал для простой проблемы.
Модуль 10 - Проверка статистических гипотез
Перейдите к изучению основных и конкурирующих гипотез.
Узнайте, что такое P-значение и как его интерпретировать.
Научитесь определять типы ошибок.
Сформулируйте статистическую гипотезу. Затем проверьте ее разными методами.
Модуль 11 - Анализ качественных данных
Откройте доступ к знаниям о качественных переменных и непараметрических методах.
Научитесь анализировать качественные данные.
Постройте и проанализируйте таблицы сопряженности.
Проверьте адекватность модели c помощью chi-square и библиотеки stats.
Модуль 12 - Статистика на практике
Научитесь использовать статистические методы на предприятии.
Распознайте возможную ошибку в анализе и откорректируйте ее.
Поймите, как проводить поправку при множественной проверке гипотез.
Модуль 13 - Регрессионный анализ
Изучите следующие понятия: линейная регрессия, полиномиальная регрессия, метод наименьших квадратов.
Сформулируйте проблему для линейной регрессии.
Используйте библиотеку ScikitLearn для регрессионного анализа данных.
Затем проверьте результат вашего регрессионного анализа на адекватность.
Модуль 14 - Логистическая регрессия. Введение в машинное обучение
Познакомьтесь с основами статистического обучения.
Научитесь решать проблемы классификации с помощью логистической регрессии.
Используйте ScikitLearn.
Научитесь применять перекрестную проверку.
И снова используйте ScikitLearn.
Затем попробуйте сделать перекрестную проверку вручную.
Модуль 15 - Заключение. Как врать при помощи статистики
Ознакомьтесь с научным методом и дизайном экспериментов.
Разберите примеры экспериментального дизайна.
Узнайте о том, как приступать к решению проблем.
Научитесь уменьшать вероятность ошибок.
Модуль 16 - Презентация курсового проекта
Проведите статистический анализ для решения проблемы на основе данных, которые получите от лектора.
Защитите курсовой проект перед лектором и студентами вашего потока.
Примечание: на момент создания темы актуальная цена не известна.
Продажник
