Python для Data Science

Содержание

Слайд 2

План вебинара

Что такое Data Science?
Цели данного курса
Требования
Что мы изучим?
Учебный процесс
Ответы на вопросы

План вебинара Что такое Data Science? Цели данного курса Требования Что мы

Слайд 3

Что такое Data Science?

Что такое Data Science?

Слайд 4

Data scientist (математик-программист, исследователь данных)
Data analyst (аналитик данных)
Data engineer (специалист по обработке

Data scientist (математик-программист, исследователь данных) Data analyst (аналитик данных) Data engineer (специалист
данных)
Machine learning engineer (специалист по машинному обучению)
Deep learning engineer NLP (обработка естественного языка)
Deep learning engineer CV (компьютерное зрение)

Профессии и вакансии

Слайд 8

Цели курса

Сформировать начальное представление о сфере Data Science
Познакомиться с основными

Цели курса Сформировать начальное представление о сфере Data Science Познакомиться с основными
библиотеками для DS и ML
Пройтись по ключевым этапам подготовки прогнозных моделей
Отточить полученные навыки, в рамках курсового проекта

Слайд 9

Технические
Python 3.6+
Anaconda (https://www.anaconda.com/distribution/)
Профиль на GitHub (https://github.com/) или его аналоге

Требования

К навыкам
Знание математики на

Технические Python 3.6+ Anaconda (https://www.anaconda.com/distribution/) Профиль на GitHub (https://github.com/) или его аналоге
уровне школьной программы
Знание основ языка Python

Слайд 10

Что мы изучим?

Библиотеки Python
Numpy
Pandas
Matplotlib / Seaborn
SciKit-Learn

Навыки
Обработка данных
Визуализация информации
Решение задачи классификации
Решение задачи

Что мы изучим? Библиотеки Python Numpy Pandas Matplotlib / Seaborn SciKit-Learn Навыки
регрессии
Кластеризация данных
Понижение размерности
Оценка качества моделей

Слайд 11

Как устроен учебный процесс

Введение в курс

Курсовой проект

4 недели

Домашнее задание

Вебинар

Видео урок

Как устроен учебный процесс Введение в курс Курсовой проект 4 недели Домашнее задание Вебинар Видео урок

Слайд 12

Домашние задания

Оформляем решение в тетрадках jupyter notebook
Решения прикрепляем к видеоурокам (ссылка на

Домашние задания Оформляем решение в тетрадках jupyter notebook Решения прикрепляем к видеоурокам
git или файл)
Сдавать домашние задания нужно в срок
Задания со «звёздочкой», как и задания на повторение материала, сдавать не обязательно, но желательно ☺
Если не успели, то можно сдать через службу поддержки ([email protected])
Разборы домашних заданий будут выкладываться после окончания сроков сдачи

Слайд 13

Вебинары

Обсудим основные этапы построения предсказательных моделей
На примере обучающего набора данных отработаем ключевые

Вебинары Обсудим основные этапы построения предсказательных моделей На примере обучающего набора данных
шаги
Подготовимся к сдаче курсового проекта
Разберём возникающие вопросы и проблемные моменты
После вебинаров домашних заданий сдавать не надо

Слайд 14

Курсовой проект

Тема проекта: «Предсказание цен на жилые дома»
Подготовка в течение курса
Консультация перед

Курсовой проект Тема проекта: «Предсказание цен на жилые дома» Подготовка в течение
проектом
Оценка результатов

Слайд 15

Если возникнут сложности

Повторно ознакомиться с материалом (видео уроки, разборы и т.д.)
Изучить дополнительную

Если возникнут сложности Повторно ознакомиться с материалом (видео уроки, разборы и т.д.)
информацию в сети Интернет
Обратиться с вопросом в чат группы в Telegram
Написать в личные сообщения наставнику или преподавателю на портале GeekBrains

Слайд 16

Ответы на вопросы

Ответы на вопросы
Имя файла: Python-для-Data-Science.pptx
Количество просмотров: 56
Количество скачиваний: 0