SZKOLENIE: Wprowadzenie do Data Science z Python
Chcesz rozpocząć swoją karierę w Data Science, ale nie wiesz, od czego zacząć? Mój kurs „Wprowadzenie do Data Science z Python” jest idealnym miejscem, aby rozpocząć swoją przygodę z analizą danych.
W ciągu kilku tygodni opanujesz podstawowe narzędzia i techniki wykorzystywane w branży, a wszystko to przy użyciu języka Python – jednego z najpopularniejszych języków programowania używanych w Data Science.
Podczas szkolenia nie tylko nauczysz się podstawowych technik analizy danych, ale również zrozumiesz, jak wykorzystać je w praktyce. Przygotuję Cię do pracy z danymi, od ich zbierania i czyszczenia, poprzez analizę i modelowanie, aż po ich wizualizację i prezentację wyników.
IDEALNA OKAZJA, BY ROZPOCZĄĆ KARIERĘ W DATA SCIENCE
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. Połączenie zostanie zrealizowane z użyciem oprogramowania Microsoft Teams. Wszyscy uczestnicy otrzymają dostęp do prekonfigurowanych maszyn wirtualnych (z zainstalowanym niezbędnym oprogramowaniem), osadzonych w chmurze. Dostęp do maszyn będzie możliwy z użyciem standardowej przeglądarki internetowej.
Adresaci – osoby, które chcą rozpocząć, lub niedawno rozpoczęły swoją przygodę z Data Science. Wymagana znajomość podstaw języka Python. Szkolenie zaczynamy z poziomu podstawowego, a kończymy na poziomie średniozaawansowanym.
Czas trwania – 21 godzin czystej nauki, na które składają się:
– sesje szkoleniowe – 3 dni po 6 godzin (wliczając przerwy 3 x 10 minut każdego dnia),
– sesje konsultacyjne – 3 x 1.5 godziny (po każdej sesji szkoleniowej).
Termin – Q4 2023. Więcej informacji wkrótce.
Cztery najważniejszych rzeczy, których Cię nauczę:
Programowanie w Python – nauczę Cię jak w sposób efektywny kodować w Python. Zrozumiesz jak budować czytelny i szybko działający kod. Przedstawię również masę dobrych praktyk związanych z programowaniem, których nauczyłem się w ciągu wieloletniej pracy w Data Science.
Analiza i wizualizacja danych – poznasz skuteczne techniki, których użycie „ma sens” – bez marnowania czasu i robienia sztuki dla sztuki. Zrozumiesz jak wykonać eksploracyjną analizę danych w zależności od typu dostępnych danych, celu i kontekstu.
Statystyka – poznasz techniki z dziedziny statystyki, które sprawdzają się w codziennej pracy badacza danych. Ponownie, bez lania wody – minimum teorii dającej odpowiednie zrozumienie zagadnienia, dużo praktyki i przykładów z codziennej pracy.
Machine Learning – pomogę Ci zrozumieć, jak działają algorytmy uczenia maszynowego. Pokażę jak budować stabilne i rzetelne modele predykcyjne. Wskażę również jak optymalizować parametry, transformować dane i dobierać zmienne do modelu.
I wiele, wiele więcej!
Agenda
- 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.
- Podsumowanie danych ilościowych.
- Podsumowanie danych jakościowych.
- Analiza jednowymiarowa, czyli badanie właściwości rozkładu zmiennej.
- Analiza wielowymiarowa, czyli 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.
- 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.
O prowadzącym
Certyfikowany specjalista Microsoft w obszarze Data Science. Uczestnik i prelegentem szeregu konferencji branżowych, zarówno w kraju, jak i za granicą.
Jest także autorem bloga mateuszgrzyb.pl, na którego łamach od niemal 7 lat dzieli się wiedzą z zakresu nauki o danych.