О курсе
Программа охватывает пять тематических разделов. Первый посвящён основам Python: переменным, типам данных, коллекциям, операторам, функциям, модулям, а также принципам инкапсуляции, наследования и полиморфизма. Второй раздел связан со сбором данных: работа с регулярными выражениями через модуль re и разбор HTML/XML с помощью Beautiful Soup (bs4). Третий раздел посвящён табличным данным и библиотеке pandas: выборке и сортировке, обработке пропусков, чтению и записи таблиц, визуализации.
Четвёртый раздел — неглубокое машинное обучение на базе sklearn. В нём перечислены методы классификации (персептрон, машина опорных векторов, логистическая регрессия, деревья решений, ансамбли и другие), аппроксимации (линейные регрессии, LASSO, Ridge, ElasticNet и другие), кластеризации (K-средних, DBSCAN, спектральные и иерархические алгоритмы), обнаружения выбросов (one-class SVM, изолированный лес, LOF и другие), восстановления данных (ограниченная машина Больцмана), линейного и нелинейного снижения размерности (PCA, SVD, t-SNE, Isomap и другие), а также выбора признаков.
Пятый раздел посвящён глубокому обучению с использованием подмодуля keras библиотеки tensorflow. Рассматривается создание искусственных нейронных сетей различных архитектур (MLP, CFNN, автоэнкодер, GRU, LSTM, CNN) для задач классификации, аппроксимации и восстановления данных. По описанию, навыки программирования для прохождения не обязательны, так как в курсе предусмотрен необходимый вводный материал.
Что рассматривается в программе
- Рассматриваются основы Python: переменные, типы данных, коллекции, операторы, функции, модули, принципы ООП
- Разбирается сбор данных с помощью регулярных выражений (модуль re) и парсинга HTML/XML (bs4)
- Изучается работа с табличными данными в pandas: выборка, сортировка, обработка пропусков, чтение/запись, визуализация
- Рассматриваются методы классификации, регрессии, кластеризации, обнаружения выбросов и снижения размерности в sklearn
- Разбирается выбор признаков на основе статистических критериев
- Изучается создание нейронных сетей разных архитектур (MLP, CFNN, автоэнкодер, GRU, LSTM, CNN) в keras
Кому может быть полезен курс
- Разработчикам, интересующимся инструментарием Data Science
- Тем, кто хочет ознакомиться с базовым Python и его применением в анализе данных
- Специалистам, которым нужно изучить библиотеки re, bs4, pandas, sklearn и keras
- Тем, кто планирует познакомиться с методами машинного и глубокого обучения на Python
Вопросы о программе
Какие библиотеки Python рассматриваются в курсе?
В программе упоминаются модули re и bs4 для сбора данных, pandas для работы с таблицами, sklearn для неглубокого машинного обучения и подмодуль keras библиотеки tensorflow для глубокого обучения.
Нужны ли навыки программирования для прохождения курса?
В описании указано, что навыки программирования не обязательны, поскольку в курсе есть всё необходимое, включая раздел по базовому Python.
Какие методы машинного обучения включены в программу?
В разделе по sklearn перечислены методы классификации, аппроксимации, кластеризации, обнаружения выбросов, восстановления данных, линейного и нелинейного снижения размерности, а также выбора признаков.
Какие архитектуры нейронных сетей изучаются?
В разделе по keras рассматривается создание многослойного персептрона (MLP), каскадной нейросети прямого распространения (CFNN), автоэнкодера, шлюзового рекуррентного блока (GRU), долгой краткосрочной памяти (LSTM) и сверточной нейросети (CNN).