Специальные условия для первых 10 записавшихся

Анализ данных на Python

Познакомьтесь с языком программирования Python, анализом данных и машинным обучением. Научитесь самостоятельно собирать, представлять и анализировать данные, используя язык Python и библиотеки NumPy, Scikit-Learn, Pandas, Matplotlib. Изучите глубокое обучение и библиотеку PyTorch.
Когда:
22 Июля — 29 Августа
Формат:
Онлайн
Стоимость:
18 400 ₽

Ограниченное предложение

Действует программа рассрочки на 2 и 3 месяца.
Приобретите курс за 9200 р. + 9200 р. или 6000 р. + 6000 р. + 6400 р.
23 000 ₽
18 400 ₽
Дорогие друзья, приглашаем вас на бесплатное занятие, где вы пройдёте одну из тем на Python вместе с экспертом, познакомитесь с программой курса и задачами анализа данных, а эксперт в конце ответит на все ваши вопросы.

Кому идеально подойдет этот курс?

Кто учится
Кто учится
Если Вы получаете образование и хотите выгодно отличаться при устройстве на работу, открыть возможность дополнительного или даже основного заработка.
Кто работает
Кто работает
Если Вы уже работаете по техническому профилю и хотите освоить новую для себя сферу деятельности.
Кто руководит
Кто руководит
Если Вы управляете организацией и хотите понять, как можно использовать современные методы для повышения эффективности решения бизнес-задач.
Потребность в специалистах по анализу данных, машинному обучению и бизнес-аналитике растёт ежегодно, а кандидатов на соответствующие вакансии найти всё труднее. Уровень конкуренции на рынке труда за последние 2 года снизился в 1,5 раза. Денежное вознаграждение специалистов растёт на 10% в год. Это создаёт отличные условия для начала активной работы в этой области.

(по данным hh.ru)
~110 000 ₽
Средняя заработная плата специалиста по анализу данных
  • 75 Пульс нашего выпускника после устройства
    на работу
  • Выпускной проект
  • 100% прокачки скиллов
  • > 100 000 ваш будущий заработок
  • Стоимость 23000 руб.
  • 120+ довольных выпускников

Что вы изучите?

1неделя
Введение в Data Science. Основы Python
Введение. Цели и задачи программы. Машинное обучение и анализ данных. Возможности использования Python для решения задач машинного обучения и анализа данных. Основы языка программирования Python: типы данных, условия, циклы.
6 часов практики
5 часов теории
Подробнее

Вебинар №1 [2 часа] Основы Python: введение, условные конструкции, циклы


Задача. Наибольший общий делитель
Задача. Стандартное отклонение
Статья. Почему Python?
Видео. Как выучить Python c 0 до Middle
Видео-лекция. Установка интерпретатора и текстового редактора
Презентация. Основные конструкции языка Python
Статья. Типы данных в Python

Вебинар №2 [2 часа] Основы Python: строковый тип данных, списки, кортежи и словари


Задача. Уникальные элементы
Задача. Частотный анализ текста
Видео-лекция. Списки (list)
Видео-лекция. Словари (dict), а также их методы
Презентация. Работа с основными типами данных
Конспект. Списки в Python
Конспект. Словари в Python

ТЕСТ [по итогам недели]. Основные элементы синтаксиса Python
2неделя
Вычисления: библиотеки Numpy и Scipy
Основы Python: продолжение. Функции. Работа с файлами. Основы использования среды Jupyter. Библиотеки Numpy и Scipy: вопросы их применения.
6 часов практики
6 часов теории
Подробнее

Вебинар №3 [2 часа] Основы Python: функции и работа с файлами


Задача. Обработка и мониторинг каталогов файлов 
Видео-лекция. Функции в Python
Презентация. Python: функции, файлы
Статья. Работа с файлами 
Конспект. Функции Python
Конспект. Работа с текстовыми файлами

Вебинар №4 [2 часа] Jupyter. Библиотеки Numpy и Scipy


Задача. Сравнение скорости работы массивов Numpy и списков Python
Задача. Оптимизация функции
Jupyter-ноутбук. Модули Numpy и Scipy в Python
Статья. Преимущества Numpy
Статья. Python Numpy Tutorial
Видео. Learn NUMPY in 5 minutes!
Видео. Improving Python programs with NumPy and SciPy

ТЕСТ. Структура программы на Python. Первые библиотеки
3неделя
Обработка и анализ данных с Pandas. Визуализация данных
Основные элементы библиотеки Pandas. Методы визуализации данных Matplotlib. Примеры хороших визуализаций. Диаграммы, графики.
8 часов практики
7 часов теории
Подробнее

Вебинар №5 [2 часа] Библиотека Pandas: введение


Задача. Извлечение информации из таблиц
Jupyter-ноутбук. Модуль Pandas
Статья. Первичный анализ данных с Pandas
Видео. Python: Pandas Tutorial
Книга. Изучаем Pandas
Статья. Анализ данных с Pandas

Вебинар №6 [2 часа] Визуализация данных с Python


Задача. Построение графиков разных типов
Jupyter-ноутбук. Визуализация данных: модули matplotlib, seaborn
Статья. Визуализация данных c Python
Видео. Intro to Visualization with Python
Видео. Data Visualization and Exploration with Python
Статья. Intro to Data Visualization with Matplotlib
Статья. Примеры визуализаций Python

ТЕСТ. Предварительный анализ данных
4неделя
Библиотека Pandas. Web-scraping
Работа с данными различных частично-структурированных форматов: .csv, .xls, .xml, .json. Извлечение данных из веб-страниц.
9 часов практики
6 часов теории
Подробнее

Вебинар №7 [2 часа] Библиотека Pandas. Работа с данными различных форматов: .csv, .xls, .xml, .json


Задача. Извлечение информации 
Jupyter-ноутбук. Форматы .csv, .xls, .xml, .json и Pandas
Статья. Чтение данных из .csv
Статья. Чтение данных из .json
Статья. Чтение данных из .xml
Видео. Python Pandas: Excel and CSV file formats
Видео. Pandas: JSON file format

Вебинар №8 [2 часа] Извлечение данных с веб-страниц (скрапинг)


Задача. Извлечение данных с Википедии
Jupyter-ноутбук. Web-scraping
Статья. Веб-скрапинг — что это и как он работает
Статья. Введение в web-scraping
Статья. Web-scraping с помощью Python
Видео-лекция. Intro to Web Scraping with Python and Beautiful Soup
Видео. Добываем данные из интернета

ТЕСТ. Структура HTML, сбор данных
5неделя
Основы машинного обучения
Введение в машинное обучение. Алгоритм k - ближайших соседей (k-NN). Линейные модели машинного обучения. Ансамблевые модели (деревья решений, случайный лес, бустинг).
9 часов практики
9 часов теории
Подробнее

Вебинар №9 [2 часа] Введение в машинное обучение. Линейные модели. Алгоритм k - ближайших соседей


Задача. Реализация линейной модели
Задача. Реализация алгоритма k-NN
Jupyter-ноутбук. Введение в машинное обучение
Видео-лекция. How k-NN algorithm works?
Видео. Linear and Polynomial Regression in Python
Статья. Анализ данных — основы и терминология
Статья. Линейная регрессия

Вебинар №10 [2 часа] Введение в машинное обучение. Ансамблевые модели


Задача. Предсказание выживания на Титанике
Jupyter-ноутбук. Ансамблевые модели машинного обучения
Статья. Решающие деревья
Видео-лекция. Классификация. Деревья решений
Видео. Decision Tree: how it works
Видео. Random Forest Algorithm

ТЕСТ. Алгоритмы машинного обучения
6неделя
Нейронные сети. Глубокое обучение
Модель нейронной сети. Глубокое обучение. Метод обратного распространения ошибки. Виды нейронов и слоёв. Свёрточные и рекуррентные нейронные сети.
9 часов практики
9 часов теории
Подробнее

Вебинар №11 [2 часа] Введение в нейронные сети


Задача. Обучение простейшей нейронной сети
Jupyter-ноутбук. Глубокое обучение. Введение
Статья. Нейронные сети для начинающих
Статья. Создание нейронных сетей
Статья. How to Build a Neural Network
Видео. Нейронные сети за 30 минут: от теории до практики
Видео. What is a Neural Network?

Вебинар №12 [2 часа] Введение в нейронные сети: виды нейронов и сетей


Задача. Распознавание изображений датасета CIFAR10
Jupyter-ноутбук. Виды слоев и нейронных сетей в глубоком обучении
Статья. Свёрточные нейронные сети
Статья. Рекуррентные сети
Видео. CNN
Видео-лекция. Слои глубоких свёрточных сетей
Видео. Введение в RNN

ТЕСТ. Модели глубокого обучения

ЧТО БУДЕТ НА КУРСЕ?

Занятия с экспертами
Занятия ведут практикующие эксперты в digital-индустрии. Они в доступной форме рассказывают о сложных технологиях и инструментах.
Занятия с экспертами
Практические кейсы
Практические кейсы
Задача за 6 недель помочь вам погрузиться в область, разобрать вместе конкретные практические кейсы и отрыть возможность к самостоятельному развитию по выбранному направлению.
Онлайн-консультации
Мы ценим ваше время и онлайн-формат позволяет избежать дополнительных издержек на организацию обучения. Вы можете совмещать программу с работой и заниматься где удобно.
Онлайн-консультации
Тестирование
Тестирование
Базовым понятиям мы уделяем время необходимое и достаточное, чтобы эффективно решать практические задачи. Для закрепления пройденного материала мы подготовили тесты.
Выпускной проект "Прогнозирование стоимости недвижимости на рынке - 2019"
Это работа, которую вы добавите в свое портфолио или резюме. Реальная задача, при её решении моделируется общение с заказчиком, получение ТЗ, разбор, поэтапное выполнение и реализация готового решения.
Выпускной проект "Прогнозирование стоимости недвижимости на рынке - 2019"

ЧТО ВЫ ПОЛУЧИТЕ В РЕЗУЛЬТАТЕ?

Анализ данных на Python
Вы научитесь
  • Разрабатывать программы на Python в среде Jupyter
  • Применять алгоритмы машинного обучения и библиотеку Scikit-learn для решения практических задач
  • Создавать и обучать нейронные сети с Pytorch
Навыки, которые вы освоите
  • Извлекать данные из веб-страниц
  • Быстро обрабатывать большие массивы данных
  • Представлять данные в удобном виде с помощью таблиц и графиков
  • Оценивать качество алгоритмов и проводить эксперименты

Инструменты которые вы освоите
Python
Scikit-learn
PyTorch
Pandas
Matplotlib
NumPy
SciPy
Jupyter
GitHub
Python
Python — высокоуровневый язык программирования общего назначения с минималистичным синтаксисом, ориентированный на повышение производительности разработчика и читаемости кода.
Scikit-learn
Библиотека машинного обучения для Python. Включает различные методы классификации, регрессии, кластеризации и среду для их имплементации. Реализованы такие методы как метод опорных векторов, случайный лес, градиентный бустинг, k-средних и DBSCAN.
PyTorch
Библиотека глубокого обучения PyTorch реализует модель тензорных вычислений (по аналогии с NumPy) с развитой поддержкой ускорения на GPU и модели глубоких нейронных сетей.
Pandas
Программная библиотека на языке Python для обработки и анализа данных. Предоставляет специальные структуры данных и операции для манипулирования числовыми таблицами и временны́ми рядами.
Matplotlib
Библиотека для визуализации данных в 2D и 3D. Получаемые изображения могут быть использованы в качестве иллюстраций в аналитических отчётах.
NumPy
Библиотека обеспечивает поддержку многомерных массивов (включая матрицы) и высокоуровневых математических функций, предназначенных для работы с многомерными массивами.
SciPy
Библиотека, предназначенная для выполнения научных и инженерных расчётов: обработка сигналов, обработка изображений, работа с генетическими алгоритмами.
Jupyter
Крайне удобный инструмент для создания красивых аналитических отчетов, так как он позволяет хранить вместе код, изображения, комментарии, формулы и графики.
GitHub
Крупнейший веб-сервис для хостинга IT-проектов и их совместной разработки. Веб-сервис основан на системе контроля версий Git.

Скачайте программу курса

Чтобы вам было удобнее знакомиться с программой курса, мы создали pdf документ, в котором описали всё подробно

Ограниченное предложение

Действует программа рассрочки на 2 и 3 месяца.
Приобретите курс за 9200 р. + 9200 р. или 6000 р. + 6000 р. + 6400 р.
23 000 ₽
18 400 ₽
Мы будем решать практические задачи
Макар Николаевич Басалаев Макар Николаевич Басалаев Эксперт BrainSkills,
образование: МГУ им. Ломоносова,
компании: Лаборатория Касперского, Megaputers Intelligence

Частые вопросы

Что такое анализ данных?
Это область между математикой и информатикой, которая занимается построением и исследованием методов извлечения полезной информации из данных. Стек возможностей применения анализа данных огромен: digital-технологии, маркетинг, медицина, таргетированная реклама, банковская сфера.
Что нужно знать, чтобы успешно пройти курс?
Необходимо уверенно пользоваться компьютером: уметь устанавливать программы и библиотеки, самостоятельно искать информацию в интернете. Обладать логическим мышлением, способностью делать выводы и приходить к правильным умозаключениям. Знать математику на школьном уровне и понимать математические понятия: функция, минимизация, производная, вектор, матрица, понимать математические обозначения. Сильно проще будет тем, кто знает университетскую базовую математику (математический анализ, линейную алгебру, оптимизацию, теорию вероятностей и статистику), тем не менее все используемые понятия будут объяснены.
Чему можно научиться за 1,5 месяца?
За 1,5 месяца сложно стать профессионалом, но:
    - можно достаточно неплохо погрузиться в профессию
    - разобрать конкретные практические кейсы
    - узнать применяемые технологии и особенности использования современных инструментов
    - попробовать себя в деле
Как я могу задать вопрос эксперту?
Способов несколько. Во время и после вебинара вы можете письменно задавать вопросы в чате, а эксперт будет отвечать на них по мере поступления. После занятия вы общаетесь с экспертом в закрытой группе Facebook, VK или мессенджера. Как правило, вопросы возникают во время выполнения домашних работ. Ещё одна возможность — задать вопросы в комментариях выполненной работе. Многие слушатели продолжают общение с экспертом в индивидуальном режиме.
Будут ли решаться реальные задачи?
Основной упор в процессе проведения занятий мы делаем на практику. Каждую неделю вам предстоит решать множество новых для себя практических задач. Большая их часть представляет собой фрагменты реальных проектов. По итогам шести недель вам предстоит выполнить полноценный выпускной проект, используя все полученные знания и навыки.

Оплатить онлайн

Специальные условия для первых 10 записавшихся
Анализ данных на Python
23 000 ₽
18 400 ₽