Nauka o danych
( 24 Moduły )

moduł #1
Wprowadzenie do nauki o danych
Przegląd nauki o danych, jej znaczenia i zastosowań

moduł #2
Proces nauki o danych
Zrozumienie procesu nauki o danych: definicja problemu, zbieranie danych, czyszczenie, analiza i wizualizacja

moduł #3
Python dla nauki o danych
Wprowadzenie do języka programowania Python i jego bibliotek do nauki o danych (NumPy, Pandas itp.)

moduł #4
Wstępne przetwarzanie danych
Obsługa brakujących wartości, normalizacja danych, skalowanie cech i transformacja danych

moduł #5
Wizualizacja danych
Wprowadzenie do wizualizacji danych przy użyciu Matplotlib i Seaborn

moduł #6
Statystyki opisowe
Miary tendencji centralnej, zmienności i dystrybucji danych

moduł #7
Statystyka wnioskowania
Testowanie hipotez, przedziały ufności i wartości p

moduł #8
Analiza regresji
Prosta i wielokrotna regresja liniowa, założenia regresji i ocena modelu

moduł #9
Inżynieria cech
Techniki selekcji, ekstrakcji i tworzenia funkcji

moduł #10
Uczenie nadzorowane
Wprowadzenie do uczenia nadzorowanego, klasyfikacji i regresji

moduł #11
Uczenie się bez nadzoru
Wprowadzenie do uczenia bez nadzoru, klasteryzacji i redukcji wymiarowości

moduł #12
Ocena modelu
Metryki służące do oceny wydajności modelu, nadmiernego dopasowania i niedostatecznego dopasowania

moduł #13
Drzewa decyzyjne i lasy losowe
Wprowadzenie do drzew decyzyjnych i lasów losowych, zalety i ograniczenia

moduł #14
Maszyny wektorów nośnych
Wprowadzenie do maszyn wektorów nośnych, sztuczek jądra i typów SVM

moduł #15
Sieci neuronowe
Wprowadzenie do sieci neuronowych, perceptronu i perceptronu wielowarstwowego

moduł #16
Głębokie uczenie się
Wprowadzenie do głębokiego uczenia, sieci neuronowych splotowych i rekurencyjnych sieci neuronowych

moduł #17
Przetwarzanie języka naturalnego
Wprowadzenie do przetwarzania języka naturalnego, wstępnego przetwarzania tekstu i reprezentacji tekstu

moduł #18
Big Data i bazy danych NoSQL
Wprowadzenie do dużych zbiorów danych, ekosystemu Hadoop i baz danych NoSQL

moduł #19
Opowiadanie historii za pomocą danych
Skuteczna komunikacja spostrzeżeń i wyników przy użyciu wizualizacji danych i opowiadania historii

moduł #20
Narzędzia i technologie do nauki o danych
Wprowadzenie do narzędzi i technologii naukowych dotyczących danych, Jupyter Notebooks i Git

moduł #21
Studium przypadku 1: Analiza regresji
Zastosowanie analizy regresji do rzeczywistego problemu

moduł #22
Studium przypadku 2: Klasyfikacja
Zastosowanie technik klasyfikacji do problemu ze świata rzeczywistego

moduł #23
Studium przypadku 3: Klastrowanie
Zastosowanie technik klastrowania do rzeczywistego problemu

moduł #24
Podsumowanie i zakończenie kursu
Planowanie kolejnych kroków w karierze naukowca ds. danych

Gotowy do nauki, udostępniania i konkurowania?