Stepik О курсе
Подробнее
Содержание
Введение в разведочный анализ данных
Настройка рабочего окружения. Virtual environment в Python
Разведочный анализ данных: продолжение. Библиотека Polars
Знакомство с Linux
Git: практика
Линейные модели машинного обучения
Основы работы в Docker
Пайплайн проекта по машинному обучению
Важно!
Материалы курса основаны на интенсиве, который прошел в июле 2023 года. Записи занятий, тесты, практические задания и весь дополнительный материал выложены на Stepik и канале в Telegram. Смотреть вебинары и сдавать практику можно в любое время!
Требования
Что нужно для старта
- знание языка Python на базовом или среднем уровне
- знание математики в рамках школьной программы
Результат
Что вы получите
- Познакомитесь с основными и продвинутыми подходами анализа данных
- Научитесь исследовать данные при помощи современных библиотек (NumPy, Pandas, Polars, Matplotlib, Seaborn)
- Обучите свою первую модель машинного обучения
- Построите интерактивный дашборд
- Начнете использовать такие инструменты разработчика как Git и Docker
Аудитория
Для кого этот курс
- Курс будет вам интересен, если вы еще не знакомы или только начинаете свое знакомство с машинным обучением и хотите получить обширные навыки первичного анализа данных, узнать о простых ML-моделях. Также курс для вас, если вы уже знакомы с машинным обучением, но хотите разобраться в современных подходах к анализу данных (библиотеки - Polars, ExplainerDashboard), а также желаете узнать, какие инструменты в проектах по машинному обучению активно используют помимо Jupyter Notebook.
Содержание
9 занятийПрограмма курса
№ТемаЧто внутри
01Организация курса
- О курсе
- Тест по математике
- Тест по Python
- Проектное задание
02Введение в разведочный анализ данных
- Основы анализа данных
- Домашнее задание
03Настройка рабочего окружения
- Установка Linux
- Рабочее окружение ML разработчика
04Анализ данных. Продолжение
- Инструменты анализа данных. Polars versus Pandas
- Домашнее задание
05Знакомство с Linux
- Базовые команды терминала
- Полезные утилиты
06Введение в машинное обучение
- Постановка задачи
- Permutation importance
- Shapley values
- Домашнее задание
07Пайплайн проекта по машинному обучению
- Пайплайн проекта. Построение интерактивных дашбордов
- Домашнее задание
08Docker
- Знакомство с Docker
- Создание образа
- Деплой ExplainerDashboard
09Сдача проекта!
- Финальное задание
- Что дальше?
- Полезные ссылки
01Организация курса
- О курсе
- Тест по математике
- Тест по Python
- Проектное задание
02Введение в разведочный анализ данных
- Основы анализа данных
- Домашнее задание
03Настройка рабочего окружения
- Установка Linux
- Рабочее окружение ML разработчика
04Анализ данных. Продолжение
- Инструменты анализа данных. Polars versus Pandas
- Домашнее задание
05Знакомство с Linux
- Базовые команды терминала
- Полезные утилиты
06Введение в машинное обучение
- Постановка задачи
- Permutation importance
- Shapley values
- Домашнее задание
07Пайплайн проекта по машинному обучению
- Пайплайн проекта. Построение интерактивных дашбордов
- Домашнее задание
08Docker
- Знакомство с Docker
- Создание образа
- Деплой ExplainerDashboard
09Сдача проекта!
- Финальное задание
- Что дальше?
- Полезные ссылки
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Разведочный анализ данных» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Анализ данных
Информация обновлена 12 августа 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
