Анализ данных на Python

Познакомьтесь с языком программирования Python, анализом данных и машинным обучением. Самые востребованные библиотеки, новые практические кейсы и концентрированный опыт эксперта. Для старта не нужно уметь программировать!
Теперь курс доступен и по подписке на специальном сайте brainskills.live за 500 рублей в месяц.

Когда:

11 Июля — 22 Августа

Формат:

Онлайн-обучение

Стоимость:

18 400 ₽

Ограниченное предложение

Программа рассрочки сделает обучение на курсе максимально удобным.

23 000 ₽

18 400 ₽

Начать бесплатно

Курс доступен в формате подписке за 500 рублей в месяц! Начните с пробной недели
за 1 рубль с промокодом BRAIN

Кому идеально подойдет этот курс?

Кто учится

Если Вы получаете образование и хотите выгодно отличаться при устройстве на работу, открыть возможность дополнительного или даже основного заработка с нуля.

Кто руководит

Если Вы управляете организацией и хотите понять, как можно использовать современные методы для повышения эффективности решения бизнес-задач.

Кто работает

Если Вы уже работаете по техническому профилю и хотите освоить новую для себя сферу деятельности.

Потребность в специалистах по интеллектуальному анализу данных, машинному обучению и бизнес-аналитике растёт ежегодно, а кандидатов на вакансии найти всё труднее. Уровень конкуренции на рынке труда цифровой экономики 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 программирования на Python. Типы данных: строки, списки, числа, массивы. Управляющие конструкции: условия, циклы, функции. Примеры.

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. Математика и статистика в Data Science.

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. Numpy массивы (array), матрицы (matrix), векторы.
Статья. Python Numpy Tutorial
Видео. Learn NUMPY in 5 minutes!
Видео. Improving Python programs with NumPy and SciPy stats

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

Обработка информации с Pandas Dataframe, Series, столбцы данных. Работа с данными различных частично-структурированных форматов: .csv, .xls, .xml, .json. Представление Excel таблиц в Pandas. 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 (machine learning). 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

Модели нейронных сетей на Python. Глубокое обучение и глубокие нейронные сети. Обучение нейронной сети. Метод обратного распространения ошибки. Виды нейронов и слоёв. Современные нейронные сети. Создание и работа свёрточной нейронной сети. Создание и работа рекуррентной нейронной 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 с нуля
Статья. Создание нейронных сетей.
Статья. Архитектуры 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.

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.

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.

ЧТО ВЫ ПОЛУЧИТЕ В РЕЗУЛЬТАТЕ?

Анализ данных на Python

Вы научитесь

Разрабатывать программы на Python в среде Jupyter
Применять нейронные сети, алгоритмы машинного обучения и библиотеку Scikit-learn для решения практических задач цифровой экономики
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 data mining и проводить эксперименты

Инструменты которые вы освоите

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.

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.

Pandas

Программная библиотека на языке Python для обработки и анализа данных. Предоставляет специальные структуры данных и операции для манипулирования числовыми таблицами и временны́ми рядами.

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

Получить

Ограниченное предложение

Программа рассрочки сделает обучение на курсе максимально удобным.

23 000 ₽

18 400 ₽

Мы будем решать практические задачи

Макар Николаевич Басалаев Эксперт BrainSkills,
образование: МГУ им. Ломоносова,
компании: Лаборатория Касперского, Megaputers Intelligence

Учитесь у лучших экспертов

Направление, востребованное крупными компаниями

Учитесь у лучших экспертов

Занятия проводят профессионалы
Мы делаем отличный продукт доступным
Современный и удобный формат
Направление, востребованное крупными компаниями
Сертификат о прохождении программы

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

Анализ данных на Python

23 000 ₽

18 400 ₽