Adattudomány
( 24 Modulok )

modul #1
Bevezetés az adattudományba
Az adattudomány, fontosság és alkalmazások áttekintése

modul #2
Adattudományi folyamat
Az adattudományi folyamat megértése: problémameghatározás, adatgyűjtés, tisztítás, elemzés és megjelenítés

modul #3
Python for Data Science
Bevezetés a Python programozási nyelvbe és adattudományi könyvtáraiba (NumPy, Pandas stb.)

modul #4
Adatok előfeldolgozása
Hiányzó értékek kezelése, adatnormalizálás, funkcióméretezés és adatok transzformáció

modul #5
Adatvizualizáció
Bevezetés az adatvizualizációba Matplotlib és Seaborn használatával

modul #6
Leíró statisztika
A központi tendencia, változékonyság és adateloszlás mértékei

modul #7
Következtetési statisztika
Hipotézis tesztelés, konfidenciaintervallumok és p-értékek

modul #8
Regressziós elemzés
Egyszerű és többszörös lineáris regresszió, regressziós feltételezések és modellértékelés

modul #9
Feature Engineering
Funkciókiválasztási, kinyerési és létrehozási technikák

modul #10
Felügyelt tanulás
Bevezetés a felügyelt tanulásba, osztályozásba és regresszióba

modul #11
Felügyelet nélküli tanulás
Bevezetés a felügyelet nélküli tanulásba, klaszterezésbe és dimenziócsökkentésbe

modul #12
Modell értékelése
Metrics for a modell teljesítményének értékelése, a túl- és alulillesztés

modul #13
Döntésfák és véletlenszerű erdők
Bevezetés a döntési fákba és véletlenszerű erdőkbe, előnyei és korlátai

modul #14
Támogató vektorgépek
Bevezetés a vektorgépek támogatásába, kerneltrükk és SVM-típusok

modul #15
Neurális hálózatok
Bevezetés a neurális hálózatokba, a perceptronba és a többrétegű perceptronba

modul #16
Mély tanulás
Bevezetés a mély tanulásba, a konvolúciós neurális hálózatokba és a visszatérő neurális hálózatokba

modul #17
Natural Language Processing
Bevezetés a természetes nyelvi feldolgozásba, szöveg-előfeldolgozásba és szövegábrázolásba

modul #18
Big Data és NoSQL-adatbázisok
Big data, Hadoop-ökoszisztéma és NoSQL-adatbázisok bemutatása

modul #19
Adattörténetmesélés
Betekintések és eredmények hatékony kommunikációja adatvizualizáció és történetmesélés segítségével

modul #20
Adattudományi eszközök és technológiák
Bevezetés az adattudományi eszközökbe és technológiákba, Jupyter notebookok és Git

modul #21
Esettanulmány 1:Regressziós elemzés
Regressziós elemzés alkalmazása valós problémára

modul #22
2. esettanulmány:Osztályozás
Osztályozási technikák alkalmazása valós problémákra

modul #23
3.esettanulmány: Klaszterezés
Clusterezési technikák alkalmazása valós problémákra

modul #24
Tanfolyam összefoglalója és következtetései
Az adattudományi karrier következő lépéseinek tervezése

Készen áll a tanulásra, a megosztásra és a versenyre?