Скоро на All-DAR Exploratory data analysis (EDA) [Тариф: Начало пути] [Mathshub] [Георгий Милютин]

[ALL DAR Bot]

Название: Exploratory data analysis (EDA) [Тариф: Начало пути] [Mathshub] [Георгий Милютин]

Описание:
Чему мы научим на Exploratory data analysis:

◆ На этом модуле вы изучите понятие стохастического подхода в анализе данных, научитесь разделять переменные на различные типы и выбирать соответствующие меры по локации и разбросу, а также разберётесь в применении различных методов для анализа данных.

Обучение включает математическую статистику, линейную алгебру, математический анализ и теорию вероятностей, применяемые в оптимизации и машинном обучении. Вы узнаете, как проводить базовый исследовательский анализ, визуализировать данные и исправлять в них проблемы, заполнять пропущенные значения и оптимизировать большие датасеты для работы.

◆ Узнаете всё о стохастическом подходе

Разведывательный анализ данных (EDA) используют для исследования и анализа набора данных с целью получения первичного понимания о его структуре, особенностях и возможных образцах. Вы разберёте, что такое EDA, погрузитесь в краткую историю стохастического подхода и в сферы его применения.

◆ Научитесь работать с переменными

Вы узнаете, как в разведывательном методе используют различные типы переменных — непрерывные, дискретные, порядковые, номинальные, количественные. Также узнаете о зависимостях двух переменных, корреляции и регрессии.

◆ Изучите взаимодействие с массивами данных

В EDA работа с массивами данных включает в себя подготовку данных, их обработку, анализ, визуализацию, агрегацию и преобразования. Вы разберёте методы работы и какие программные инструменты необходимы в процессе.

◆ Познакомитесь с оптимизацией больших датасетов

Вы узнаете, как ускорить процесс работы, повысить эффективность в обработке информации и сократить время анализа. Расскажем, как удалять ненужные переменные, что такое индексация и как применять сжатие.

Что включено в модуль:

Введение в разведывательный анализ данных. Алгоритмы и методы

Математическая статистика в контексте EDA. Типы признаков

Линейная алгебра в контексте Линейных методов

Математический анализ в контексте задачи оптимизации

Теория вероятностей и математическая статистика

Теория вероятностей в контексте Наивного Байесовского классификатора

Анализ данных

Программа модуля:

Продолжительность: 16 ак. часов / 4 недели

Формат обучения: Лекция + семинар

Краткая история стохастического подхода. Типы переменных. Меры локации и разброса набора данных. Диаграмма размаха

Таблицы частот и оценка мер локации по неполным данным. Гистограммы плотностей

Зависимость двух переменных. Корреляция и регрессия

Непараметрическая корреляция. Расчёт корреляции и построение регрессии в Python

Мониторинг приложений. Автоматизация деплоя с помощью GitHub Actions

Оптимизация больших датасетов и библиотеки для работы с большими данными

Твои навыки после обучения

Владение математической статистики в контексте EDA

Умение строить таблицы частот и гистограммы плотностей, оценивать меры локации по неполным данным

Расчёт корреляции и построение регрессии в Python

Умение работать с массивами данных и пропусками. Классификация и агрегирование. Визуализация в Tableau

Оптимизация больших датасетов и библиотеки для работы с большими данными

Mathshub — международная школа анализа данных и разработки.

Преподаватель модуля: Георгий Милютин. EDA, Математика, Статистика. Ex-глава департамента математики в London Gate Education Group.

Тариф: Начало пути

Занятия модуля в записи

Проверка домашнего задания

◆ ЦЕНА МАТЕРИАЛА ◆
Цена на сегодня: 10099р. (14399р.)​

Материал «Exploratory data analysis (EDA) [Тариф: Начало пути] [Mathshub] [Георгий Милютин]», возможно, скоро появится на All-dar.

Пройдите регистрацию и оформите Premium подписку, чтобы первым получить доступ, и воспользуйтесь поиском — может быть, он уже опубликован.​