Содержание курса
8
разделов
58
уроков
3 ч.
обн. 18 мая 2026
1. Работа с библиотекой Pandas. Часть 1
8 уроков
100
88
33м
0
Закрытый
1.1
Введение в Pandas
↗
26
15
4м 42с
0
Закрытый
1.2
Что такое Data Frame
↗
15
15
2м 51с
0
Закрытый
1.3
Базовые операции с данными
↗
11
11
8м 26с
0
Закрытый
1.4
Фильтрация данных
↗
11
11
6м 58с
0
Закрытый
1.5
Сортировка данных
↗
10
10
1м 34с
0
Закрытый
1.6
Объединение датафреймов
↗
11
11
3м 52с
0
Закрытый
1.7
Объединение датафреймов в pandas
↗
11
11
9м 16с
0
Закрытый
1.8
ДОМАШНЕЕ ЗАДАНИЕ
↗
5
4
-
0
2. Работа с библиотекой Pandas. Часть 2
9 уроков
68
64
43м
0
Закрытый
2.1
Что такое агрегирование данных
↗
10
8
3м 45с
0
Закрытый
2.2
Что такое метод group_by
↗
9
9
3м 26с
0
Закрытый
2.3
Что такое метод pivot_table
↗
7
7
2м 37с
0
Закрытый
2.4
Что такое функция cross_tab
↗
8
8
2м 48с
0
Закрытый
2.5
Что такое метрика конверсии
↗
7
7
5м 3с
0
Закрытый
2.6
Подготовка данных для урока
↗
7
7
9м 5с
0
Закрытый
2.7
Агрегирование и создание воронок конверсии
↗
7
7
11м 54с
0
Закрытый
2.8
Создание сводных таблиц
↗
7
7
8м 29с
0
Закрытый
2.9
ДОМАШНЕЕ ЗАДАНИЕ
↗
6
4
-
0
3. Анализ данных и визуализация с помощью Matplotlib и Seaborn
13 уроков
100
99
33м
0
Закрытый
3.1
Что такое разведочный анализ данных
↗
9
8
8м 25с
0
Закрытый
3.2
Подготовка данных для урока
↗
9
9
3м 24с
0
Закрытый
3.3
Создаем линейный график
↗
8
8
2м 11с
0
Закрытый
3.4
Создаем гистограмму
↗
7
7
2м 39с
0
Закрытый
3.5
Создаем диаграмму рассеяния
↗
8
8
2м 49с
0
Закрытый
3.6
Создаем боксплот
↗
7
7
3м 28с
0
Закрытый
3.7
Создаем столбчатую диаграмму
↗
7
7
2м 50с
0
Закрытый
3.8
Создаем столбчатую многорядную диаграмму
↗
8
8
2м 59с
0
Закрытый
3.9
Строим столбчатую многорядную сложенную диаграмму
↗
8
8
1м 6с
0
Закрытый
3.10
Строим столбчатую многорядную сложенную диаграмму с долями и %
↗
7
7
1м 41с
0
Закрытый
3.11
Строим круговую диаграмму
↗
8
8
1м 51с
0
Закрытый
3.12
Библиотека seaborn
↗
8
8
5м 14с
0
Закрытый
3.13
ДОМАШНЕЕ ЗАДАНИЕ
↗
6
6
-
0
4. Статистика с библиотекой Scipy
7 уроков
55
54
15м
0
Закрытый
4.1
Что такое библиотека Scipy
↗
9
8
2м 31с
0
Закрытый
4.2
Что такое A/B - тестирование
↗
8
8
4м 44с
0
Закрытый
4.3
Что такое задача оптимизации
↗
8
8
2м 24с
0
Закрытый
4.4
A/B - тест с категориальной метрикой
↗
8
8
2м 10с
0
Закрытый
4.5
A/B - тест с числовой метрикой
↗
8
8
1м 15с
0
Закрытый
4.6
Задача оптимизации
↗
8
8
4м 58с
0
Закрытый
4.7
ДОМАШНЕЕ ЗАДАНИЕ
↗
6
6
-
0
5. Линейная алгебра с библиотекой Numpy
5 уроков
40
38
19м
0
Закрытый
5.1
Что такое Numpy
↗
9
7
9м 57с
0
Закрытый
5.2
Подготовка данных
↗
8
8
3м 48с
0
Закрытый
5.3
Коллаборативная фильтрация
↗
8
8
4м 9с
0
Закрытый
5.4
Рекомендации на основе коллаборативной фильтрации
↗
9
9
3м 20с
0
Закрытый
5.5
ДОМАШНЕЕ ЗАДАНИЕ
↗
6
6
-
0
6. Предобработка данных и предиктивные модели в Scikit-learn
4 урока
29
29
25м
0
Закрытый
6.1
Что такое модель машинного обучения
↗
9
9
6м 51с
0
Закрытый
6.2
Что такое Scikit-learn
↗
7
7
7м 42с
0
Закрытый
6.3
Пример создания модели машинного обучения
↗
8
8
12м 14с
0
Закрытый
6.4
ДОМАШНЕЕ ЗАДАНИЕ
↗
5
5
-
0
7. Повышение качества предиктивных моделей. Feature Engineering
8 уроков
41
34
23м
0
Закрытый
7.1
Введение в Feature Engineering
↗
7
0
4м 48с
0
Закрытый
7.2
Подготовка данных
↗
5
5
4м 42с
0
Закрытый
7.3
Признаки 'Sex' и ‘Age’
↗
5
5
6м 57с
0
Закрытый
7.4
Признаки 'Sibsp' и 'Parch'
↗
6
6
1м 18с
0
Закрытый
7.5
Признаки 'Ticket' и ‘Fare’
↗
5
5
2м 17с
0
Закрытый
7.6
Признак 'Cabin'
↗
5
5
2м 26с
0
Закрытый
7.7
Признак 'Embarked'
↗
5
5
3м 7с
0
Закрытый
7.8
ДОМАШНЕЕ ЗАДАНИЕ
↗
3
3
-
0
8. Feature Selection. Обучение моделей
4 урока
15
14
8м
0
Закрытый
8.1
Feature Selection
↗
5
4
3м 55с
0
Закрытый
8.2
Обучение модели
↗
4
4
3м 32с
0
Закрытый
8.3
Улучшение модели
↗
4
4
2м 10с
0
Закрытый
8.4
ДОМАШНЕЕ ЗАДАНИЕ
↗
2
2
-
0