Курс на Stepik
Обложка курса «Data Science на Python: анализ, визуализация и ML» на Stepik
1 990₽ -30%
--:--:--
1 393 ₽

Data Science на Python: анализ, визуализация и ML ★ 5.000

Открыть на
STEPIK.ORG

Полноценный практический путь в Data Science с нуля. Вы изучите NumPy, Pandas, визуализацию данных, математику для ML и классическое машинное обучение на Scikit-learn. Научитесь анализировать данные, строить графики, обучать модели и участвовать в Kaggle-соревнованиях.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Data Science на Python: анализ, визуализация и ML»Учеников на курсе 139
Сертификаты, выданные на курсе «Data Science на Python: анализ, визуализация и ML»Сертификатов выдано 5
Отзывы о курсе «Data Science на Python: анализ, визуализация и ML»Отзывов получено 1
Рейтинг курса «Data Science на Python: анализ, визуализация и ML»Рейтинг курса 5.000
Уроки в курсе «Data Science на Python: анализ, визуализация и ML»Количество уроков 47
Тесты в курсе «Data Science на Python: анализ, визуализация и ML»Количество квизов 278
Время прохождения курса «Data Science на Python: анализ, визуализация и ML»Время прохождения курса —
Стоимость курса «Data Science на Python: анализ, визуализация и ML»Стоимость курса 1 990 ₽ —
Обновления курса «Data Science на Python: анализ, визуализация и ML»Обновления курса — —
Дата публикации курса «Data Science на Python: анализ, визуализация и ML»Дата публикации курса — ———
Последнее обновление курса «Data Science на Python: анализ, визуализация и ML»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Data Science на Python: анализ, визуализация и ML» 10 разделов Уроки в курсе «Data Science на Python: анализ, визуализация и ML» 47 уроков Тесты в курсе «Data Science на Python: анализ, визуализация и ML» 278 тестов Время прохождения курса «Data Science на Python: анализ, визуализация и ML» 9 ч. Последнее обновление курса «Data Science на Python: анализ, визуализация и ML» обн. 23 июля 2026

1. Вступление

3 урока
Закрытый
1.1 О курсе ↗
116
35
2м 11с
0
Закрытый
1.2 Устанавливаем Python ↗
42
42
1м 54с
0
Закрытый
1.3 Настраиваем VS Code Studio ↗
41
32
2м 2с
0

2. NumPy — числа и массивы

5 уроков
Закрытый
2.1 Зачем NumPy и как он работает внутри ↗
41
26
6м 38с
0
Открытый
2.2 Создание массивов, индексация, срезы ↗
30
22
18м 47с
0
Закрытый
2.3 Операции над массивами — векторизация вместо циклов ↗
25
21
18м 35с
0
Закрытый
2.4 Математические и статистические функции ↗
25
18
19м 21с
0
Закрытый
2.5 Работа с многомерными массивами ↗
21
12
20м 56с
0

3. Pandas — работа с таблицами

9 уроков
Закрытый
3.1 DataFrame и Series — главные объекты Pandas ↗
17
11
12м 32с
0
Закрытый
3.2 Загрузка данных: CSV, Excel, JSON, SQL ↗
15
8
17м 14с
0
Закрытый
3.3 Индексация: loc, iloc и условный отбор ↗
11
4
6м 32с
0
Закрытый
3.4 Очистка данных — пропуски, дубликаты, типы ↗
9
4
-
0
Закрытый
3.5 Преобразование данных — apply, map, lambda ↗
9
3
-
0
Закрытый
3.6 Группировка: groupby и агрегация ↗
9
3
-
0
Закрытый
3.7 Объединение таблиц: merge, concat, join ↗
7
3
-
0
Закрытый
3.8 Работа со временными рядами ↗
8
2
-
0
Закрытый
3.9 Эксплораторный анализ (EDA) — методика и подход ↗
7
3
-
0

4. Визуализация данных

5 уроков
Закрытый
4.1 Matplotlib — основы и анатомия графика ↗
9
2
-
0
Закрытый
4.2 Типы графиков: линии, столбцы, scatter, гистограммы ↗
7
3
-
0
Закрытый
4.3 Настройка стиля, цветов, аннотаций ↗
7
2
-
0
Закрытый
4.4 Seaborn — красивая статистическая визуализация ↗
8
2
-
0
Закрытый
4.5 Plotly — интерактивные графики ↗
8
2
-
0

5. EDA — разведочный анализ

2 урока
Закрытый
5.1 Методика EDA — как подходить к новому датасету ↗
9
3
-
0
Закрытый
5.2 Статистика в EDA: распределения, корреляция, выбросы ↗
6
3
-
0

6. Математика для ML

3 урока
Закрытый
6.1 Линейная алгебра для ML: матрицы, умножение, нормы ↗
9
3
-
0
Закрытый
6.2 Теория вероятностей — минимум для ML ↗
9
3
-
0
Закрытый
6.3 Градиентный спуск — интуиция, формулы и код ↗
7
3
-
0

7. Подготовка данных для ML

4 урока
Закрытый
7.1 Кодирование категориальных признаков: OHE, Label,Target Encoding ↗
8
3
-
0
Закрытый
7.2 Нормализация и масштабирование: StandardScaler, MinMaxScaler ↗
5
3
-
0
Закрытый
7.3 Feature Engineering — создаём новые признаки вручную ↗
5
3
-
0
Закрытый
7.4 Несбалансированные классы: SMOTE, веса классов, стратегия ↗
5
3
-
0

8. Scikit-learn — классический ML

9 уроков
Закрытый
8.1 ML-пайплайн от данных до предсказания + разбивка train/test ↗
6
2
-
0
Закрытый
8.2 Кросс-валидация — надёжная оценка качества модели ↗
5
2
-
0
Закрытый
8.3 Линейная регрессия — от уравнения к sklearn ↗
7
1
-
0
Закрытый
8.4 Логистическая регрессия — классификация и вероятности ↗
4
2
-
0
Закрытый
8.5 Деревья решений — как работают и где ошибаются ↗
5
3
-
0
Закрытый
8.6 Случайный лес — бэггинг и ансамблевые методы ↗
5
2
-
0
Закрытый
8.7 Метрики качества: accuracy, precision, recall, F1, RMSE ↗
5
3
-
0
Закрытый
8.8 Отбор признаков и важность фичей (feature importance) ↗
4
1
-
0
Закрытый
8.9 Pipelines в sklearn — чистый пайплайн от A до Z ↗
5
1
-
0

9. Продвинутые темы

5 уроков
Закрытый
9.1 XGBoost — градиентный бустинг в деталях ↗
6
2
-
0
Закрытый
9.2 LightGBM — быстрый и точный бустинг ↗
5
1
-
0
Закрытый
9.3 Настройка гиперпараметров: GridSearch и Optuna ↗
4
2
-
0
Закрытый
9.4 Объяснимость моделей — SHAP и interpretability ↗
4
2
-
0
Закрытый
9.5 Kaggle — стратегия участия и первый сабмит ↗
7
2
-
0

10. Заключение

2 урока
Закрытый
10.1 Полезные материалы ↗
6
6
-
0
Закрытый
10.2 Финальный урок ↗
5
2
-
0