Data Science от Бруноям

1 блок Основы Python

• Основы Python. Настройка IDE. Базовый синтаксис
• Базовые типы данных и циклы
• Функции и классы
• Продвинутые типы данных: массивы, множества, словари
• Python для анализа данных: numpy и scipy
• Python для анализа данных: pandas
• Лабораторная работа по Python
• Основы линейной алгебры и теории множеств и их реализация в Python
• Методы математической оптимизации и их реализация в Python
• Основы описательной статистики и их реализация в Python
• Статистический анализ данных и их реализация в Python

2 блок Библиотеки для анализа данных

• Библиотека NumPy: методы анализа массивов
• Библиотека NumPy: способы преобразования массивов
• Библиотека pandas: индексация и выбор данных
• Библиотека pandas: применение функций, группировка, сортировка
• Визуализация данных с помощью matplotlib

3 блок База данных и SQL

• Введение в базы данных: необходимость, принципы работы
• Основы работы с базами данных на декларативном языке SQL
• Альтернативные виды баз данных и их различия
• Современные возможности баз данных
• Принципы работы с разными конкретными БД
• Основные библиотеки для подключения к БД из Python

4 блок Математическая статистика и теория вероятностей

• Математика для Data Science
• Дискретные и непрерывные случайные величины
• Центральные предельные теоремы и закон больших чисел
• Производная. Векторы. Матрицы
• Случайные события. Условная вероятность. Формула Байеса. Независимые испытания
• Дискретные случайные величины. Закон распределения вероятностей. Биномиальный закон распределения. Распределение Пуассона
• Описательная статистика. Качественные и количественные характеристики популяции
• Графическое представление данных
• Непрерывные случайные величины. Функция распределения и плотность распределения вероятностей. Равномерное и нормальное распределение. Центральная предельная теорема
• Проверка статистических гипотез.
• Доверительные интервалы.
• Взаимосвязь величин. Параметрические и непараметрические показатели корреляции Корреляционный анализ
• Многомерный статистический анализ. Линейная регрессия
• Дисперсионный анализ. Логистическая регрессия

5 блок Основные модели Machine Learning

• Задача обучения с учителем. Постановка задачи классификации и регрессии
• Линейная регрессия для задач классификации и регрессии
• Оценка качества модели для задач классификации и регрессии
• Проблема переобучения. Регуляризация. Отбор признаков
• Другие модели классификации: логистическая регрессия, наивный байесовский классификатор, деревья решений
• Бустинг и стекинг

6 блок Работа с неразмеченными данными

• Задача обучения без учителя
• Задача кластеризации. Модели k-means, DBSCAN
• Задача понижения размерности. Метод главных компонент

7 блок Работа с разными типами данных

• Обработка временных рядов, особенности работы
• Обработка изображений, особенности работы
• Обработка текстов, особенности работы

8 блок Нейронные сети

• Сверточные нейронные сети
• Рекуррентные нейронные сети и LSTM
• Генеративные нейронные сети GAN

9 блок Хорошие практики Data Science

• Проблема воспроизводимости вычислений
• Инструменты построения конвейеров данных
• Как презентовать проведенное исследование