logo-hibrain

Python для анализа данных онлайн

На курсе вы разработаете свою базу данных для мобильного приложения, а также научитесь работать с искусственным интеллектом и машинным обучением

  • Площадка:AVENUE
  • Продолжительность:3,5 месяца
  • Дата:27 декабря
  • Стоимость:от 20 972 рублей
Оставить заявку
Python для анализа данных онлайн

О курсе

По завершении курса вы научитесь:

  • Программировать на Python.
  • Классифицировать и кластеризовать большие объемы данных.
  • Применять машинное обучение в работе с данными.
  • Использовать BigData-фреймворк – Spark.
  • Работать на должности Junior Data Scientist.

Мы предлагаем:

  • Сертификат и его онлайн копия.
  • Скидка 15% каждому выпускнику на любой другой курс.
  • Общий чат и постоянная онлайн-поддержка от преподавателя.
  • Видео всех занятий.
  • Закрытая платформа.
  • Тренинг по трудоустройству.
  • Отправляем резюме лучших студентов рекрутерам ведущих ІТ-компаний в Нижнем-Новгороде.

Занятия 2 дня в неделю с 19:00 до 21:00

Обучение очно или онлайн.

Мы изучаем:

course-info
  • python
    python
  • mongodb
    mongodb
  • mysql
    mysql
  • postgresql
    postgresql

Кому подойдет курс

  • Для студентов и выпускников, начинающих IT-специалистов, а также опытных айтишников, желающих развиваться в новом направлении

Необходимые навыки

  • Специальных навыков не требуется

Эксперты

Профессиональные практикующие специалисты и сотрудники крупных компаний, каждый из которых обладает профильным образованием и длительным стажем работы

  • Куратор Павлов Дмитрий
    Куратор Павлов Дмитрий
    Руководитель направления Data Science в компании Danfoss. Дмитрий профессионально использует Python для анализа данных около 20 лет. На уроках курса Дмитрий поделится основами и тонкостями работы, и расскажет массу полезных лайфхаков, которые знают исключительно практики.

Карьера

На базе учебного центра работает отдел профессиональных рекрутеров, которые готовы приложить все усилия для трудоустройства выпускников наших IT-курсов. На данный момент мы сотрудничаем уже более чем со 100 IT-компаниями из Нижнего Новгорода, которые реально готовы трудоустраивать после наших курсов.

    Программа курса

    • Введение в Python. Что такое Компилятор и Интерпретатор? Базовый синтаксис Python.
    • Функции ввода-вывода. Типы данных в Python. «Hello, World!» на Python.
    • Логические и Математические операторы в Python и их функции.
    • Операторы: if, for, while в Python и работа с ними.
    • Переменные и функции в Python.
    • Понятие «Модуль» в Python. Макеты модулей и алгоритм работы с ними.
    • Итератор и генераторы в Python. Lambda – выражения.
    • Строки. Оператор Len. Оператор In. Разбор (Parsing) строк.
    • ООП на Python. Классы. Строение класса. Конструкторы.
    • Поля и методы класса в Python.
    • Общедоступные и внутренние атрибуты. Инкапсуляция.
    • Наследование. Родительские и дочерние классы.
    • Полиморфизм в Python.
    • «Утиная» типизация. Проблемы иерархической типизации и Duck Typing как метод её решения.
    • Конструкция Try - Except.
    • Особенности работы с файлами. Язык Дракон.
    • Введение в СУБД. Установка MySQL и начало работы. Архитектура Данных.
    • Реляционная модель Архитектуры Данных. Разбор её основных компонентов.
    • Исследование и подготовка данных к анализу. Расширения для работы с Данными: Numpy, Pandas, Scipy, Matplotlib & Seaborn.
    • SQL 1. Основы: разбор Select, Insert, Update, Delete, Where, Order By, Group By, Having, Distinct, And & Or.
    • SQL 2. Объединение нескольких таблиц с помощью: Left Join, Inner Join, Right Join, Full Join, Cross Join.
    • SQL 3. Основные функции языка SQL: Count(), Min(), Sum(), Round() и другие. Разбор основных функции СУБД MySQL и PostgreSQL.
    • Установка СУБД PostgreSQL. Разбор основных возможностей и отличий.
    • Нереляционные СУБД. Термины и характеристики NoSQL, на примере СУБД MongoBD.
    • Мультиколлинеарность и скалирование данных. Информативные переменные. Проработка алгоритма подготовки данных.
    • Регрессионные модели. Определение и классификации.
    • Деревья решений в Python. Древовидные модели. Random forest. Библиотеки XGBOOST, LightGBM.
    • Нейронные сети. Обзор пакета pySpark для реализации распределённой обработки данных.
    course-program