Содержание пакета (3 курса)
1. Data Science на Python: анализ, визуализация и ML 5.00
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
↗
2. Все о структурах данных в Python для начинающих 5.00
Введение
1 урок
1.
Предисловие
↗
Строки
6 уроков
1.
Введение в строки. Строковый тип данных
↗
2.
Индексация и срезы
↗
3.
Методы Строк. Часть 1
↗
4.
Методы Строк. Часть 2
↗
5.
Форматирование строк. f - строки. Метод format()
↗
6.
Материалы для самостоятельного изучения
↗
Списки
7 уроков
1.
Введение в списки
↗
2.
Методы Списков. Часть 1
↗
3.
Практические задачи
↗
4.
Методы Списков. Часть 2
↗
5.
Списочные выражения. Метод sorted()
↗
6.
Вложенные списки
↗
7.
Материалы для самостоятельного изучения
↗
Кортежи
3 урока
1.
Введение в кортежи
↗
2.
Методы кортежей
↗
3.
Материалы для самостоятельного изучения
↗
Словари
6 уроков
1.
Введение в словари
↗
2.
Методы словарей. Часть 1
↗
3.
Методы словарей. Часть 2
↗
4.
Вложенные словари
↗
5.
Генераторы словарей
↗
6.
Материалы для самостоятельного изучения
↗
Множества
5 уроков
1.
Введение во множества
↗
2.
Методы множеств. Часть 1
↗
3.
Методы множеств. Часть 2
↗
4.
Генераторы множеств. frozenset
↗
5.
Материалы для самостоятельного изучения
↗
Заключение
1 урок
1.
Финальный урок
↗
3. Все о функциях в Python 5.00
Вступление
1 урок
1.
О курсе
↗
Функции. Начало
3 урока
1.
Функции без параметров
↗
2.
Функции с параметрами
↗
3.
Оператор return
↗
Глубже в синтаксис
5 уроков
1.
Значения по умолчанию
↗
2.
Позиционные и именованные аргументы
↗
3.
Произвольное число аргументов
↗
4.
Аннотации типов. Модуль typing
↗
5.
Интроспекция. Модуль inspect
↗
Область видимости и работа с переменными
5 уроков
1.
Локальные и глобальные переменные
↗
2.
Замыкания. Вложенные функции
↗
3.
Декораторы. Часть 1
↗
4.
Декораторы. Часть 2
↗
5.
Декораторы. Часть 3
↗
Анонимные функции и функциональные инструменты
4 урока
1.
Встроенные функции. Часть 1
↗
2.
Встроенные функции. Часть 2
↗
3.
Лямбда-функции. Часть 1
↗
4.
Лямбда-функции. Часть 2
↗
Рекурсивные функции
2 урока
1.
Рекурсия. Часть 1
↗
2.
Рекурсия. Часть 2
↗
Генераторы и итераторы
6 уроков
1.
Итераторы. Часть 1
↗
2.
Итераторы. Часть 2
↗
3.
Функции генераторы
↗
4.
Методы генераторов
↗
5.
Генераторные выражения. Вложенные генераторы. Часть 1
↗
6.
Генераторные выражения. Вложенные генераторы. Часть 2
↗
Финальное задание
2 урока
1.
Пет-проект 🔥
↗
2.
Пет-проект 🔥🔥
↗
Заключение
1 урок
1.
Финальный урок
↗