Скоро! Exploratory data analysis (EDA) [Тариф: Начало пути] [Mathshub] [Георгий Милютин]

[SHAREWOOD]

Exploratory data analysis (EDA) [Тариф: Начало пути] [Mathshub] [Георгий Милютин]​

Описание:

Ваш обучающий путь на модуле Exploratory Data Analysis:
◆ Модуль представляет собой комплексное изучение стохастического подхода к анализу данных. Вы овладеете навыками классификации переменных и выбора соответствующих мер для определения местоположения и разброса значений, а также освоите применение разнообразных методов анализа данных.
Курс включает изучение математической статистики, линейной алгебры, математического анализа и теории вероятностей, которые используются в области оптимизации и машинного обучения. Вы получите навыки проведения базового исследовательского анализа, визуализации данных, исправления ошибок, заполнения пропущенных значений и оптимизации больших датасетов.
◆ Погружение в стохастический подход
Exploratory Data Analysis (EDA) активно применяется для исследования и анализа наборов данных с целью получения первичных знаний о их структуре, характеристиках и возможных шаблонах и зависимостях. В рамках модуля вы освоите особенности EDA, узнаете о стохастическом подходе и областях его применения.
◆ Работа с различными типами переменных
В процессе обучения вам предстоит изучить использование различных типов переменных в рамках EDA: непрерывных, дискретных, порядковых, номинальных, количественных. Также вас ждет знакомство с такими понятиями как зависимость переменных, корреляция и регрессия.
◆ Основы работы с массивами данных
Специфика EDA включает работу с большими массивами данных, начиная от этапа подготовки данных до анализа, визуализации, агрегации и трансформации. Вы узнаете о необходимых для этого инструментах и методах.
◆ Оптимизация работы с большими датасетами
Модуль научит вас эффективно работать с большими объемами данных, повышать скорость обработки информации и уменьшать время на её анализ. Мы расскажем вам о правилах удаления ненужных переменных, принципах индексации и методах компрессии данных.

Модуль включает следующие темы:
Введение в Exploratory Data Analysis, его алгоритмы и методы
Математическая статистика в рамках EDA и типы признаков
Линейная алгебра и её применение в линейных методах
Математический анализ в задачах оптимизации
Теория вероятностей и математическая статистика
Применение теории вероятностей в Наивном Байесовском классификаторе
Анализ данных

Общая программа модуля:
Продолжительность курса: 16 академических часов / 4 недели
Формат обучения: Лекция + семинар

Изучение истории стохастического подхода, типов переменных. Основные метрики для анализа данных. Визуализация диапазона значений (диаграмма размаха)
Создание таблиц частот и оценка метрик по неполным данным. Гистограммы плотности распределения
Изучение зависимости двух переменных. Корреляция и регрессия
Непараметрическая корреляция. Вычисление корреляции и построение регрессии в Python
Мониторинг приложений. Автоматизация процесса деплоя с помощью GitHub Actions
Оптимизация работы с большими датасетами и библиотеки для обработки больших объемов данных

Ваши навыки после прохождения модуля:
Способность применять математическую статистику в рамках EDA
Создание таблиц частот и гистограмм плотностей, оценка метрик по неполным данным
Вычисление корреляции и построение регрессии в Python
Работа с массивами данных, устранение пропусков. Классификация и агрегация данных. Визуализация в Tableau
Оптимизация работы с большими датасетами и использование специализированных библиотек

Mathshub — это международная школа, специализирующаяся на анализе данных и разработке.
Преподаватель модуля: Георгий Милютин. Он специализируется на EDA, математике и статистике. Ранее он был главой отдела математики в группе London Gate Education.

Тариф: Начало пути
Записи занятий модуля
Проверка домашних заданий

Стоимость курса на текущий момент: 10099р. (старая цена - 14399р.)
Секретная ссылка

Материал «Exploratory data analysis (EDA) [Тариф: Начало пути] [Mathshub] [Георгий Милютин]», возможно, скоро появится на SHAREWOOD.

Воспользуйтесь поиском, может быть, он уже опубликован.