Курс на Stepik
Обложка курса «Data Science» на Stepik
Бесплатно

Data Science ★ 4.780

Открыть на
STEPIK.ORG

Раскрывая увлекательную вселенную Data Science, погрузитесь в мир анализа данных, машинного обучения и визуализации результатов с помощью интерактивной среды Jupyter Notebooks. На этом курсе Вы освоите самые востребованные инструменты и техники Data Science, чтобы трансформировать сырые данные в ценные инсайты. Используя Python и библиотеки Pandas, NumPy, Matplotlib и Scikit-learn, Вы научитесь собирать, обрабатывать, анализировать и визуализировать данные, а также находить скрытые закономерности.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Data Science»Учеников на курсе 3 238
Сертификаты, выданные на курсе «Data Science»Сертификатов выдано 0
Отзывы о курсе «Data Science»Отзывов получено 41
Рейтинг курса «Data Science»Рейтинг курса 4.780
Уроки в курсе «Data Science»Количество уроков 21
Тесты в курсе «Data Science»Количество квизов 22
Время прохождения курса «Data Science»Время прохождения курса —
Обновления курса «Data Science»Обновления курса — —
Дата публикации курса «Data Science»Дата публикации курса — ———
Последнее обновление курса «Data Science»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Data Science» 5 разделов Уроки в курсе «Data Science» 21 урок Тесты в курсе «Data Science» 22 теста Время прохождения курса «Data Science» 2 ч. Последнее обновление курса «Data Science» обн. 5 мая 2026

Что такое Data Science? И зачем?

2 урока
1. Что такое Data Science? И зачем это изучать? ↗
2. Как работать с курсом ↗

Машинное обучение с помощью Jupyter notebooks

5 уроков
1. Что такое Jupyter Notebook? ↗
2. Как запустить Jupyter Notebook ↗
3. Как работать с Jupyter Notebook ↗
4. Немного о библиотеках Jupyter Notebook ↗
5. Кто загрязняет данные и что с этим делать ↗

Первый шаг к машинному обучению

7 уроков
1. Машинное обучение ↗
2. Как работают модели в машинном обучении ↗
3. Базовое исследование данных ↗
4. Ваша первая модель машинного обучения ↗
5. Проверка модели ↗
6. Недообучение и переобучение ↗
7. Случайный лес ↗

Машинное обучение более продвинутого уровня

7 уроков
1. О чём этот модуль и с каким набором данных будем работать ↗
2. Работа с пропущенными значениями ↗
3. Категориальные переменные ↗
4. Конвейеры для очистки кода моделирования ↗
5. Перекрестная проверка ↗
6. Экстремальный градиентный бустинг (XGBoost) ↗
7. Утечка данных ↗

Заключение

2 урока
1. Заключительный урок ↗
2. Дополнительно! Простое машинное обучение | Обнаружение аномалий ↗