модул #1 Въведение в науката за данните Преглед на науката за данните, важността и приложенията
модул #2 Процес на науката за данните Разбиране на процеса на науката за данни: дефиниране на проблем, събиране на данни, почистване, анализ и визуализация
модул #3 Python за наука за данни Въведение в езика за програмиране Python и неговите библиотеки за наука за данни (NumPy, Pandas и др.)
модул #4 Предварителна обработка на данни Обработка на липсващи стойности, нормализиране на данни, мащабиране на функции и данни трансформация
модул #5 Визуализация на данни Въведение във визуализацията на данни с помощта на Matplotlib и Seaborn
модул #6 Описателна статистика Мерки за централна тенденция, променливост и разпределение на данни
модул #7 Изводна статистика Хипотеза тестване, доверителни интервали и p-стойности
модул #8 Регресионен анализ Проста и множествена линейна регресия, регресионни допускания и оценка на модела
модул #9 Инженеринг на характеристики Техники за избор, извличане и създаване на характеристики
модул #10 Учене под надзор Въведение в обучението под надзор, класификация и регресия
модул #11 Учене без надзор Въведение в обучението без надзор, групиране и намаляване на размерността
модул #12 Оценка на модела Метрики за оценяване на производителността на модела, прекомерно и недостатъчно оборудване
модул #13 Дървета на решения и произволни гори Въведение в дървета на решения и произволни гори, предимства и ограничения
модул #14 Поддържащи векторни машини Въведение в поддържащи векторни машини, трик на ядрото и типове SVM
модул #15 Невронни мрежи Въведение в невронните мрежи, перцептрон и многослоен перцептрон
модул #16 Дълбоко обучение Въведение в дълбокото обучение, конволюционните невронни мрежи и повтарящите се невронни мрежи
модул #17 Обработка на естествен език Въведение в обработката на естествен език, предварителна обработка на текст и представяне на текст
модул #18 Големи данни и NoSQL бази данни Въведение в големи данни, Hadoop екосистема и NoSQL бази данни
модул #19 Разказване на данни Ефективна комуникация на прозрения и резултати с помощта на визуализация на данни и разказване на истории
модул #20 Инструменти и технологии за наука за данни Въведение в инструменти и технологии за наука за данни, Jupyter Notebooks и Git
модул #21 Казус от практиката 1: Регресионен анализ Прилагане на регресионен анализ към проблем от реалния свят
модул #22 Казус 2: Класификация Прилагане на техники за класификация към проблем от реалния свят
модул #23 Казус 3: Клъстеризиране Прилагане на техники за клъстериране към проблем от реалния свят
модул #24 Обобщение на курса и заключение Планиране на следващите стъпки в кариерата в Data Science
Готови ли сте да научите, споделяте и се състезавате?
