Data SciencePythonR

Wprowadzenie do Data Science

Strona główna / Szkolenia / Data Science / Python / R / Wprowadzenie do Data Science

Terminarz szkoleń

Nie pasuje Ci żaden termin? Napisz do nas!
Zapisz więcej osób

Taniej w grupie

  • 3 osoby - 10% zniżki
  • 4 osoby - 15% zniżki
  • 5 osób - 20% zniżki
  • 6 osób - 25% zniżki
  • 7 osób - 30% zniżki

    • O szkoleniu

    Szkolenie Wprowadzenie do Data Science stanowi kompleksowe wprowadzenie do metod statystycznych i daje solidne podstawy do dalszego rozwoju w obszarze Data Science. Znajomość elementów rachunku prawdopodobieństwa oraz metod statystycznych jest w rozwoju każdego Data Scientist nie tylko przydatna, a wręcz konieczna. Szkolenie prowadzone jest przez doświadczonych ekspertów Data Science.

    Szkolenie zostało podzielone na dwie części: Pierwsza to powtórka najważniejszych zagadnień ze Statystyki, które każda osoba zajmująca się analizą danych powinna znać i rozumieć. Druga część szkolenia to przedstawienie najczęściej wykorzystywanych metod statystycznego uczenia z danych. Do każdego omawianego elementu przewidziano szereg ćwiczeń utrwalających i sprawdzających. Szkolenie prowadzone jest z wykorzystaniem sztandarowych języków data science – R oraz Python.

    Dla kogo jest to szkolenie?

    Szkolenie Statystyczna Analiza Danych jest wstępem do Data Science. Oznacza to, że zawiera wszystkie istotne elementy ze Statystyki bez których nie można się obejść w świecie analizy danych. Jeżeli chcesz odświeżyć wiedzę ze statystyki i zdobyć praktyczne umiejętności w obszarze statystycznej analizy danych, to jest to szkolenie dla Ciebie.

    Czego się nauczę?

    Po ukończeniu szkolenia, uczestnik będzie potrafił:

    • Zrozumiesz Rachunek Prawdopodobieństwa i Statystykę
    • Wykorzystasz podstawowe miary statystyczne do opisu danych
    • Skonstruujesz przedziały ufności dla statystyk
    • Zweryfikujesz hipotezy statystyczne i zrozumiesz idee testowania
    • Poznasz najlepsze zastosowania wykresów w analizie danych
    • Poznasz najważniejsze postulaty bayesowskiego podejścia w statystyce
    • Poznasz metody statystycznego uczenia z danych
    • Nauczysz się korzystać z regresji liniowej i jej nieliniowych rozszerzeń
    • Poznasz statystyczne metody klasyfikacji
    • Poznasz metody analizy skupień i asocjacji

    Plan szkolenia
    1. Wprowadzenie do statystycznej analizy danych
    • Statystyczne uczenie
    • Stosowane techniki uczenia
    • Metody i narzędzia
    2. Prawdopodobieństwo i rozkłady
    • Zmienna losowa
    • Rozkłady prawdopodobieństwa
    • Prawdopodobieństwo warunkowe
    • Populacja a próba
    3. Metody statystycznego opisu danych
    • Typy danych
    • Własności rozkładów
    • Statystyki opisowe
    • Transformacje danych
    • Wartości nietypowe
    4. Wnioskowanie statystyczne
    • Rozkład cechy w próbie
    • Estymacja
    • Przedziały ufności
    • Testowanie hipotez
    • Wnioskowanie dla danych jakościowych
    • Testy nieparametryczne
    5. Wizualizacja analizowanych danych
    • Wykresy typu boxplot
    • Histogram i wykres gęstości
    • Wykres rozrzutu
    • Heatmapy
    6. Wprowadzenie do metod bayesowskich
    • Filozofia i praktyka
    • Czym różni się podejście bayesowskie
    • Obliczenia
    • MCMC
    1. Statystyczne uczenie
    • Przykłady problemów statystycznego uczenia
    • Metody parametryczne vs nieparametryczne
    • Trafność vs interpretowalność
    • Uczenie bez-nadzoru i z nadzorem
    • Regresja vs problemy klasyfikacji
    • Mierzenie jakości modelu
    • Problem Bias-Variance
    2. Regresja liniowa
    • Współczynnik korelacji
    • Regresja jednej i wielu zmiennych
    • Metody estymacji i diagnostyka modelu regresji
    • Kryteria informacyjne AIC, BIC
    • Wybór optymalnego modelu
    • Regularyzacja L1 L2
    • Metody redukcji zmiennych
    3. Modelowanie nieliniowych zależności
    • Rozszerzenie modelu regresji liniowej
    • Regresja wielomianowa
    • Splines
    • General Additive Models
    • Regresja logistyczna
    4. Metody klasyfikacji
    • Ocena trafności
    • Analiza dyskryminacji
    • Bayesowskie reguły klasyfikacyjne
    • Klasyfikator Naïve Bayes
    • KNN
    • Drzewa decyzyjne i lasy losowe
    5. Redukcja wymiaru
    • Uczenie bez nadzoru
    • Metoda głównych składowych
    • Analiza czynnikowa
    6. Segmentacja i Asocjacje
    • Analiza segmentacyjna
    • Reguły asocjacyjne
    • Mierzenie jakości reguł
    • Algorytm apriori

    Brałeś udział w szkoleniu?
    Oceń nas i napisz opinię.

    Dodaj opinię Google