Wprowadzenie do Data Science z Python

Opis

Najważniejsze informacje o szkoleniu:

• Forma – szkolenie zostanie przeprowadzone w 100% online. Oznacza to, że prowadzący będzie prezentować i omawiać wszystkie zagadnienia na żywo z pomocą narzędzia do wideokonferencji.
• Adresaci – osoby, które są na początku kariery zawodowej, lub osoby nieco bardziej doświadczone, a które to chcą uaktualnić swoją wiedzę związaną z Data Science o najlepsze praktyki i aktualne standardy panujące w branży. Wymagana znajomość podstaw języka Python. Szkolenie zaczynamy z poziomu podstawowego, a kończymy na poziomie średniozaawansowanym.
• Narzędzia – wszelkie niezbędne narzędzia dostarcza organizator szkolenia.
  • Połączenie zdalne – zostanie zrealizowane z użyciem oprogramowania Microsoft Teams.
  • Obliczenia i uruchamianie kodu – wszyscy uczestnicy otrzymają dostęp do prekonfigurowanych maszyn wirtualnych osadzonych w chmurze (z zainstalowanym niezbędnym oprogramowaniem Jupyter i bibliotekami). Dostęp do maszyn będzie możliwy z użyciem standardowej przeglądarki internetowej.
• Czas trwania – 18 godzin czystej nauki, na które składają się:
  • Sesje szkoleniowe – 3 dni po 6 godzin (wliczając przerwy 3 x 10 minut każdego dnia).
•  Termin
  • Wrzesień 2023 – więcej info wkrótce!
• Cena – 999 zł. „Data Science Plus Mateusz Grzyb” nie jest płatnikiem VAT, więc cena netto = brutto.

Masz pytania? Napisz do mnie: kontakt@mateuszgrzyb.pl

---

Agenda

Dzień 1

1. Wprowadzenie.
   • Kwestie organizacyjne.
   • Czym jest Data Science? Czym się różni od AI, ML, statystyki?
   • Data Scientist – charakterystyka, jak myśli, działa i rozwiązuje problemy?
2. Elementy wpływające na efektywność pracy.
   • Python – wady i zalety.
   • Omówienie niezbędnych bibliotek.
   • Przygotowanie „idealnego” środowiska pracy.
   • PEP 8, czyli gramatyka dla programisty.
   • Antykruche podejście do kodowania.
   • Zarządzanie skryptem.
3. Przygotowanie i przekształcanie danych.
   • Zaawansowane struktury danych (Series, Data Frame).
   • Czytanie danych (m.in. pliki płaskie, Excel, etc.).
   • Łączenie zbiorów.
   • Filtrowanie zbioru.
   • Próbkowanie.
   • Obsługa brakujących wartości.
   • Zmiana kształtu danych.
   • Grupowanie danych.
   • Zapisywanie danych.

Dzień 2

1. Praktyczne elementy statystyki.
   • Podsumowanie danych ilościowych.
   • Podsumowanie danych jakościowych.
   • Analiza jednowymiarowa – badanie właściwości rozkładu zmiennej.
   • Analiza wielowymiarowa – badanie zależności pomiędzy zmiennymi.
2. Wprowadzenie do modelowania.
   • Cel modelowania.
   • Typy problemów, z jakimi się mierzymy w modelowaniu.
   • Miary sukcesu w modelowaniu.
   • Model jako uproszczenie rzeczywistości.
   • Błąd vs wariancja.
   • Modelowanie parametryczne.
3. Wprowadzenie do regresji.
   • Regresja liniowa jako preludium do zaawansowanych algorytmów ML.
   • Regresja założenie i ograniczenia.
   • Model liniowy z jedną zmienną.
   • Model liniowy z wieloma zmiennymi.
   • Wnioskowanie parametryczne.

Dzień 3

1. Modelowanie nieparametryczne.
   • Wprowadzenie do modeli drzewiastych.
   • Drzewo decyzyjne jako preludium do zaawansowanych algorytmów ML.
   • Drzewo decyzyjne – założenia i ograniczenia.
   • Model drzewiasty – optymalizacja parametrów.
   • Interpretacja wyników.
2. Modelowanie – podsumowanie.
   • Proces budowy rozwiązania ML.
   • Wybór algorytmu.
   • Kiedy powiedzieć „dość”?
3. Umiejętności miękkie w Data Science.
   • Mentalność badacza (metoda SDP).
   • Umiejętność planowania i zarządzania procesem analitycznym.
4. Podsumowanie i rekomendacje.
   • Materiały do samodzielnej nauki.
   • Rekomendowane książki.
   • Rekomendowane publikacje.