Прикладна математика та статистика для Data Science

Програма курсу

Основи Python для роботи з даними

На цьому курсі починають з основ Python у середовищі Jupyter Notebook. Слухачі вчаться проводити базові операції з числами та структурами даних, використовувати цикли for та while. Тут показують, як поєднання математики та Python може допомогти у реальній роботі.

Бібліотеки для аналізу та візуалізації

Далі курс охоплює роботу з ключовими бібліотеками Python. Слухачі вчаться підключати бібліотеки, оперувати даними за допомогою NumPy та Pandas, а також візуалізувати результати за допомогою Matplotlib та Seaborn.

Статистичний аналіз та теорія ймовірностей

Цей блок включає дескриптивну статистику - роботу з модою, медіаною, середнім значенням та середньоквадратичним відхиленням. Слухачі вчаться візуалізувати результати аналізу та описувати дані, використовуючи Matplotlib, Seaborn та Plotly.

Математичні основи аналізу даних

Тут розглядають теорію множин, матриці та вектори для аналізу даних за допомогою NumPy. Слухачі вивчають операції над множинами, математичні позначення та діаграми Венна для аналізу проблем.

Ймовірність та розподіли

Курс охоплює основи теорії ймовірності, умовну ймовірність та виконання простих завдань. Слухачі вивчають випадкові величини, розподіли, теорему Баєса, математичне очікування та дисперсію для аналізу робочих завдань.

Кореляція та залежності

Цей модуль пояснює різницю між кореляцією та причинністю. Слухачі вчаться аналізувати кореляцію за допомогою діаграм розсіювання, розуміють коваріацію та кореляцію.

Основні розподіли та робота з даними

Тут вивчають основні розподіли та їх застосування. Слухачі вчаться визначати, який розподіл описує конкретну проблему, та використовують бібліотеку stats для роботи з розподілами.

Статистичне оцінювання

Курс охоплює методи вибірки, планування збору даних, точкову та інтервальну оцінку. Слухачі розуміють довірчі інтервали, метод максимальної вірогідності та будують довірчі інтервали для простих проблем.

Перевірка гіпотез та аналіз якісних даних

Цей блок включає роботу з P-значеннями, типами помилок, формулюванням статистичних гіпотез. Слухачі вчаться аналізувати якісні дані, будувати таблиці сполученості та перевіряти адекватність моделі за допомогою chi-square.

Практична статистика та регресійний аналіз

Тут розглядають виявлення та корекцію помилок в аналізі, поправку при перевірці множин гіпотез. Слухачі вчаться формулювати проблеми для лінійної регресії, використовувати scikit-learn та перевіряти адекватність результатів.

Машинне навчання та завершення курсу

Останні модулі охоплюють логістичну регресію, проблеми класифікації, перехресну перевірку. Слухачі використовують scikit-learn для класифікації даних. На заключному занятті розглядають підходи до вирішення проблем та зменшення ймовірності помилок, а також презентують курсовий проект.

Що отримають слухачі

Курс пропонує глибокий контент з актуальними інструментами для роботи. Велика увага приділяється практичним навичкам - аналітичній практиці та розробці проектів. Програма спрямована на покращення професійних навичок та кар'єрний розвиток у сфері аналізу даних.