Data science od podstaw

Czego się nauczysz?

Narzędzia systemowe i system kontroli GIT

Narzędzia systemowe to zbiór przydatnych technik służących do obsługi systemu za pomocą poleceń. Każdy szanujący się specjalista data science powinien wiedzieć, jak obsługiwać konsolę. My Cię tego nauczymy.

Dowiesz się również, jak korzystać z systemu kontroli wersji GIT, który umożliwia płynną współpracę w zespole.

 

Python w data science

Python to najpopularniejszy język wykorzystywany w data science. Ma największą liczbę bibliotek i frameworków, które wykonują wiele zadań w zakresie data science.

W tym module poznasz podstawy języka Python potrzebne do tworzenia kodu aplikacji.

Statystyki i prawdopodobieństwo

Data science opiera się w pełni na matematyce. Ten moduł pomoże Ci zrozumieć operacje wykonywane przy użyciu biblioteki Numpy, w której można obliczać podstawowe działania z algebry liniowej (działania na wektorach/macierzach).

W drugiej części dowiesz się więcej o prawdopodobieństwie, na przykład, dlaczego testy o 90-procentowej zgodności trzeba powtarzać.

Przetwarzanie zbiorów danych

Data science to dane, dane i jeszcze więcej danych. Pochodzą one z różnych źródeł i dostępne są w różnych formatach. Mówi się, że 90% pracy specjalisty data science to przetwarzanie danych. Trudno się z tym nie zgodzić. Z umiejętności zdobytych w tym module będziesz korzystać w swoim przyszłym życiu zawodowym najczęściej.

Dowiesz się, jak przetwarzać dane pobierane przez API lub z bazy danych SQL.

Wizualizacja danych

Jeden wykres może wyrazić więcej niż tysiąc słów. W kontekście pracy z klientami, którzy kupują „na oko”, umiejętność odpowiedniej prezentacji danych jest niezwykle cenna.

Z tego modułu dowiesz się, jak tworzyć interaktywne wykresy niezbędne do pracy w dziedzinie data science.

Uczenie maszynowe w praktyce

Przewidywanie cen na giełdzie?

Wybór odpowiedniego momentu na zakup mieszkania z uwzględnieniem historycznych cen?

Czego możemy dowiedzieć się o przyszłości, znając przeszłość?

Regresja próbuje odpowiedzieć właśnie na te pytania. Umożliwia przewidywanie nieznanych wartości jednej wielkości na podstawie znanych wartości innych wielkości. Dodatkowo moduł ten przybliży Ci całą tematykę klasycznych metod uczenia maszynowego – tych, na których opiera się wiele nowoczesnych rozwiązań. Dowiesz się również o problemach z klasyfikacją w uczeniu nadzorowanym. Wyjaśnimy Ci też, czym jest uczenie nienadzorowane.

Biblioteka TensorFlow

Poznasz najpopularniejszy framework do tworzenia rozwiązań sieciowych. Umożliwia on łatwe wdrażanie danej architektury sieci, procesu uczenia się i kolejnych działań.

Sieci neuronowe

Sztuczne sieci neuronowe to struktury naśladujące te znajdujące się w naszych mózgach. Mamy sygnał wejściowy, który przetwarzany jest inaczej przez różne neurony, generujące pod koniec procesu pewne informacje. Jest to jedna z najpopularniejszych metod uczenia maszynowego, więc trzeba ją bardzo dobrze poznać.

Pozwala ona rozwiązać problem regresji i klasyfikacji, choć nie tylko. Nauczymy Cię metod uczenia się takich sieci za pomocą TensorFlow.

Przetwarzanie obrazu – widzenie komputerowe

Jak działają pojazdy autonomiczne?

Jak rozpoznają znaki drogowe lub pieszych? W tym module dowiesz się, jak przetwarzać dane obrazu.

Jak filtrować dane? Jakie informacje można zdobyć na podstawie obrazów?

Ponadto dowiesz się, jak korzystać ze specjalnych konstrukcji sieci neuronowych używanych do przetwarzania danych obrazu. Rozumiejąc uczenie transferowe, będziesz w stanie tworzyć rozwiązania, które mogą wyjaśnić większość problemów związanych z przetwarzaniem obrazu i nie tylko.

Przetwarzanie języka naturalnego

Alexa i Siri to dwa przykłady asystentów głosowych. W jaki sposób rozumieją, co do nich mówimy?

Z tego modułu dowiesz się, jak radzić sobie z danymi tekstowymi (i poznasz odpowiedź na poprzednie pytanie).

Praca z sekwencjami – rekursywne sieci neuronowe

W jaki sposób sieci neuronowe mogą uwzględniać sekwencje, a nie pojedyncze obiekty? Skąd algorytm wie, które słowo powinno być następne w zdaniu?

Postaramy się odpowiedzieć na te pytania za pomocą rekursywnych sieci neuronowych.

Projekty praktyczne

W trakcie kursu zrealizujesz cztery projekty końcowe. Trzy z nich to projekty praktyczne (regresja, klasyfikacja i przetwarzanie obrazu) realizowane na różnych etapach kursu. Na koniec otrzymasz jeden duży projekt końcowy.

Przykładem końcowego projektu może być prognoza dotycząca COVID-19, wykorzystująca publicznie dostępne dane.