Курс на Stepik
Обложка курса «Data Science на Python: анализ, визуализация и ML» на Stepik
1 690 ₽

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 163
Сертификаты, выданные на курсе «Data Science на Python: анализ, визуализация и ML»Сертификатов выдано 7
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 1 690 ₽ —
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» 8 ч. Последнее обновление курса «Data Science на Python: анализ, визуализация и ML» обн. 18 сентября 2026

Вступление

3 урока
1. О курсе ↗
2. Устанавливаем Python ↗
3. Настраиваем VS Code Studio ↗

NumPy — числа и массивы

5 уроков
1. Зачем NumPy и как он работает внутри ↗
2. Создание массивов, индексация, срезы ↗
3. Операции над массивами — векторизация вместо циклов ↗
4. Математические и статистические функции ↗
5. Работа с многомерными массивами ↗

Pandas — работа с таблицами

9 уроков
1. DataFrame и Series — главные объекты Pandas ↗
2. Загрузка данных: CSV, Excel, JSON, SQL ↗
3. Индексация: loc, iloc и условный отбор ↗
4. Очистка данных — пропуски, дубликаты, типы ↗
5. Преобразование данных — apply, map, lambda ↗
6. Группировка: groupby и агрегация ↗
7. Объединение таблиц: merge, concat, join ↗
8. Работа со временными рядами ↗
9. Эксплораторный анализ (EDA) — методика и подход ↗

Визуализация данных

5 уроков
1. Matplotlib — основы и анатомия графика ↗
2. Типы графиков: линии, столбцы, scatter, гистограммы ↗
3. Настройка стиля, цветов, аннотаций ↗
4. Seaborn — красивая статистическая визуализация ↗
5. Plotly — интерактивные графики ↗

EDA — разведочный анализ

2 урока
1. Методика EDA — как подходить к новому датасету ↗
2. Статистика в EDA: распределения, корреляция, выбросы ↗

Математика для ML

3 урока
1. Линейная алгебра для ML: матрицы, умножение, нормы ↗
2. Теория вероятностей — минимум для ML ↗
3. Градиентный спуск — интуиция, формулы и код ↗

Подготовка данных для ML

4 урока
1. Кодирование категориальных признаков: OHE, Label,Target Encoding ↗
2. Нормализация и масштабирование: StandardScaler, MinMaxScaler ↗
3. Feature Engineering — создаём новые признаки вручную ↗
4. Несбалансированные классы: SMOTE, веса классов, стратегия ↗

Scikit-learn — классический ML

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

Продвинутые темы

5 уроков
1. XGBoost — градиентный бустинг в деталях ↗
2. LightGBM — быстрый и точный бустинг ↗
3. Настройка гиперпараметров: GridSearch и Optuna ↗
4. Объяснимость моделей — SHAP и interpretability ↗
5. Kaggle — стратегия участия и первый сабмит ↗

Заключение

2 урока
1. Полезные материалы ↗
2. Финальный урок ↗