Копостник
Копостник
Редактор
4 года с нами!
Награда за 5000 очков репутации
За 500 сообщений!
- Регистрация
- 26/08/2019
- Сообщения
- 816
- Репутация
- 728
Автор: Яндекс Практикум
Название: Как стать аналитиком данных. Часть 6 из 6 (2021)
![[Яндекс Практикум] Как стать аналитиком данных. Часть 6 из 6 (2021)](data:image/svg+xml;charset=utf-8,%3Csvg xmlns%3D'http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg' width='960' height='514' viewBox%3D'0 0 960 514'%2F%3E "[Яндекс Практикум] Как стать аналитиком данных. Часть 6 из 6 (2021)")
Описание:
Аналитик данных извлекает из данных смысл: структурирует их, формулирует и проверяет гипотезы, находит закономерности и делает выводы. Его работа помогает принимать решения в бизнесе, управлении и науке. На курсе мы хотим научить вас пользоваться основными инструментами для получения профессии: Python и его библиотеки, Jupyter Notebook, SQL.
71,1% выпускников трудоустраиваются
Мы делаем всё, чтобы студенты нашли новую работу после обучения: выдаём официальный диплом, учим собирать портфолио проектов, помогаем с поиском работы.
71,1% выпускников находят работу, большинство из них — за 4 месяца после выпуска. Институт образования НИУ ВШЭ подтвердил данные через исследование трудоустройства выпускников.
Часть 6
Подробнее:
Скачать:
Название: Как стать аналитиком данных. Часть 6 из 6 (2021)
Описание:
Аналитик данных извлекает из данных смысл: структурирует их, формулирует и проверяет гипотезы, находит закономерности и делает выводы. Его работа помогает принимать решения в бизнесе, управлении и науке. На курсе мы хотим научить вас пользоваться основными инструментами для получения профессии: Python и его библиотеки, Jupyter Notebook, SQL.
71,1% выпускников трудоустраиваются
Мы делаем всё, чтобы студенты нашли новую работу после обучения: выдаём официальный диплом, учим собирать портфолио проектов, помогаем с поиском работы.
71,1% выпускников находят работу, большинство из них — за 4 месяца после выпуска. Институт образования НИУ ВШЭ подтвердил данные через исследование трудоустройства выпускников.
Часть 6
- Автоматизация
- Основы запуска скриптов
- Введение
- Основы работы с командной строкой
- Доступ к командной строке на вашей локальной машине
- Основные команды для работы с консолью
- Настройка учетной записи в Яндекс.Облако
- Установка Python на локальной машине
- Запуск скрипта из командной строки
- Запуск скрипта из командной строки в Яндекс.Облаке
- Запуск скрипта по расписанию
- Памятка по отладке cron.
- Заключение
- Что такое дата-пайплайны и зачем они нужны
- Введение
- Дата-пайплайны для автоматизации дащбордов
- Агрегация данных и создание таблиц в БД
- Вертикальные и горизонтальные таблицы
- Создание скрипта пайплайна
- Заключение
- Проектирование и разработка дашбордов в dash.
- Введение
- Дашборды
- Сбор требований при создании дашборда
- Как создавать основные типы график в dash
- Основы работы с элементами управления
- Базовые элементы управления в dash
- Элементы управления и интерактивность
- Элементы дашборда
- Разработка дашборда, основы композиции
- Запуск дашборда на локальной машине
- Запуск дашборда на виртуальной машине
- Заключение
- Tableau
- Введение
- Начало работы с Tableau Public
- Как работать с Tableau
- Подготовка данных
- Таблицы и простые вычисления
- Фильтры
- Публикация дашборда.
- Простые графики
- Линейные графики и области с накомлением
- Специальный типы графиков
- Сборка дашборда
- Заключение
- Проектная работа
- Часть 1. Составления технического задания
- Часть 2. Создание дашборда
- Основы запуска скриптов
- Прогнозы и предсказания
- Введение
- Задачи машинного обучения в бизнесе
- Введение
- Что такое обучение?
- Введение в прогнозирование и машинное обучение
- Обучение с учителем
- Обучение без учителя
- Обучение модели в Python. Библиотека sklearn.
- Тестовая, валидационная и обучающая выборки
- Нелообучение и переобучение
- Разделяй и валидируй
- Пайпланй машинного обучения
- Почему машинное обучение - не панацея?
- Заключение
- Алгоритм машинного обучения
- Введение
- Линейная регрессия и функция ошибки
- Градиентный спуск
- Предобработка. Масштабирование признаков
- Регуляризация
- Реализация линейный моделей
- Метрики регресии
- Логистическая регрессия
- Метрики классификации. Работа с метками.
- Метрики классификации. Смотрим на вероятности.
- Порог и баланс классов
- Дерево принятия решений
- Ансамбль деревьев: случайный лест и градиентный бустинг.
- Алгоритмы обучения без учителя: кластеризация
- При чем здесь расстояние?
- K-Means и агломеративная иерархическая кластеризация
- Метрики для задачи обучения без учителя
- Заключение
- Процесс решения задач машинного обучения
- Введение
- Постановка задачи
- EDA. Анализ качества признаков
- EDA. Формулировка гипотез
- Предварительная обработка данных
- Random и time split.
- Выбор метрик
- Выбор модели машинного обучения
- Обучаем модели и выбираем лучшую
- Важность признаков
- Заключение.
- Проектная работа(Проект)
- Заключение.
Подробнее:
Скачать:
Авторизуйтесь, чтобы посмотреть скрытый контент.
Последнее редактирование модератором:
