Мини-курс DataScienсe INTENSE

О курсе

О школе

Программа

Расписание

Для кого

Личный кабинет

Результат

Data Science
INTENSE

11.10

СТАРТ

ПРОГРАММА ПОДГОТОВКИ

TITANIC

body_input = keras.Input(shape=(None,), name="body") # Variable-length sequence of ints

УЧАСТВОВАТЬ

19:00

О чём курс

За 8 практических занятий вы изучите основы языка Python, и на примере трагического крушения трансатлантического парохода узнаете, как можно из ограниченных данных собрать максимальное количество полезной информации. А также сможете оценить шансы Джека Доусона выжить на «Титанике».

Вы узнаете:

как работать с большими данными

каким образом они помогают в разработке новых продуктов и улучшении уже существующих

принципы внедрения и применения культуры сбора и обработки данных

0.094491
0.490796
0.072921
0.104517
0.406115
0.181755
0.055334

import timedef fib(number: int) -> int:if number== 0: return 0 if number == 1: return1 return fib(number-1) + fib(number-2)start = time.time()fib(40)print(f'Duration: {time.time() - start}s') # 30.6840996742248 54s from functools import lru_cache @lru_cache(maxsize=512)def ib_memoization(number: int) -> int:if number == 0: return 0 if number == 1: return e.tim
return fib_memoization(number-1) +3 fib_memoization(number-2) start = time.time()fib_memoization(40)3 print(f'Duration: {time.time() - e.timstart}s')12)def ib_memimport timedef уыfib(number: int) -> int:if number == 0: return 0 if number == 1: return 1 return fib(number-1) + fib(number-2) start = time.time()fib(40)print(f'Duration: {time.time() - start}s') # 30.684099674224854s from functools import lru_cache @lru_cache(maxsize=512)def ib_memoization(number: int) -> int:if number == 0: return 0 if number == 1: return
return fib_memoization(number-1) + fib_memoization(number-2) start = time.time()fib_memoization(40) print(f'Duration: {time.time() - start}s')12)def ib_mem

Менторы курса

Выпускник, наставник студентов, ментор марафонов и воркшопов Data Science Bootcamp

УЛЮМДЖИ УЛЮМДЖИЕВ

Ментор интенсива и основного курса по направлению Data Science

АНТОН ЕФИМОВ

Программа

ВСЁ В DATA SCIENCE — ВЕКТОР, МАТРИЦА, ПРОИЗВОДНАЯ И СЛУЧАЙНОСТЬ

PYTHON БИБЛИОТЕКИ:

PYTHON

Методы машинного обучения (unsupervised/supervised)

Подготовка данных — 80% усилий

keras

numpy

seaborn

классификация и регрессия

ансамбли

кластеризация и понижение размерности

Инструменты: jupyter notebook, git, bash, python

Циклы

нейронные сети

sklearn

pandas

Функции

List comprehension

Условные конструкции

Обучение моделей

Градиентный спуск

Метрики и loss-функции

Типы данных

РАСПИСАНИЕ

11 октября

1 занятие

Google Colab, Jupyter Notebook и основы Python

12 октября

2 занятие

Типы данных, условия, циклы

13 октября

3 занятие

List comprehension, встроенные функции и библиотеки

14 октября

4 занятие

Классы. ООП

ПОСЛЕ 4 ЗАНЯТИЙ ВЫ СМОЖЕТЕ СДАТЬ ЭКЗАМЕН ДЛЯ ПОСТУПЕНИЯ В ELBRUS

18 октября

5 занятие

Виртуальная среда. Установка библиотек. Kaggle-соревнования

19 октября

6 занятие

Обзор и анализ данных с библиотекой pandas

20 октября

7 занятие

Методы машинного обучения с scikit-learn и keras

21 октября

8 занятие

Оформление исследования, загрузка на github

КОМУ ПОДОЙДЕТ

Всем, кому интересна сфера Data Science

Мы разработали этот вводный курс для новичков, которые уже понимают, что будущее за нейронными сетями и machine learning, но пока не знают, как именно их применять

Специалистам смежных профессий

Если вам необходимо разбираться в основных понятиях аналитики для работы или просто хотите расширить кругозор, даже если не планируете развиваться как Data Scientist

Специалистам, которые каждый день работают с данными

Это разработчики, интернет-маркетологи, бухгалтеры, финансисты и экономисты, продакт-менеджеры и даже трейдеры

Тем, кто интересуется анализом данных на языке Python