Planuojami mokymai:

Vasario 7 d.
Kovo 19 d.
Balandžio 3 d.
Gegužės 3 d.
Birželio 7 d.

Kaina: 3950€
Finansuojama užimtumo tarnybos

Mišrus mokymasis: mokykis ir iš namų ir iš klasės. Galimybė keisti formatą mokymų metu

Intensyvumas: 492 val.
(visos valandos gyvai, realiu laiku su lektoriumi)

Trukmė: 12,4 savaičių, 62 užsiėmimų

Laikas: 5 kartus per savaitę, po 8 valandas, 9.00-17.00 val.

Kurso kartojimas: galimybė metų bėgyje grįžti kartoti kursą NEMOKAMAI

24
.

Duomenų mokslas: nuo Python programavimo pagrindų iki duomenų analizės praktikos (nedirbantiems) - 223003024

Mokymai įmonėms:

Visos šios programos gali būti adaptuotos pagal jūsų įmonės poreikius. Daugiau

Duomenų mokslas su Python yra sritis, kurioje naudojamas Python programavimo kalbos ekosistemos įrankių komplektas, siekiant gauti prasmingas įžvalgas iš duomenų. Python suteikia galingas bibli...otekas, tokias kaip NumPy, Pandas, ir scikit-learn, leidžiančias efektyviai manipuliuoti, analizuoti ir modeliuoti duomenis. Šios technologijos plačiai naudojamos duomenų mokslo projektuose, pradedant nuo duomenų analizės ir baigiant mašininio mokymosi modeliavimu. Python taip pat populiarus dėl paprastumo, lankstumo ir didelės bendruomenės paramos, todėl tampa puikiu pasirinkimu dirbant su duomenų mokslu. Baigus šiuos mokymus Jūs galėsite pradėti savo karjerą pradedančiojo Python programuotojo, arba duomenų analitikos specialisto pozicijoje.

Daugiau...

Ko išmoksiu?
Python programavimo nuo pagrindų.

Duomenų manipuliavimo su Pandas.

Versijų kontrolės su Git.

Duomenų analizės ir valdymo su SQL.

Mašininio mokymo principų.

Natūraliosios kalbos apdorojimo (NLP).

Web scraping principų.

Testavimo metodologijos ir PyTest naudojimo.

Giluminis duomenų analizės ir mašininio mokymo.

Algoritmų ir duomenų struktūrų.

Ką gebėsiu po mokymų?

Savarankiškai analizuoti ir interpretuoti duomenis.

Taikyti statistinius metodus duomenų analizėje.

Gebėsite vizualizuoti duomenis ir aiškiai pateikti rezultatus.

Naudotis Python programavimo kalba duomenų analizės užduotims atlikti.

Gebėsite naudoti specializuotas duomenų analizės ir statistikos programas.

Įgysite suvokimą apie duomenis ir duomenų bazių valdymą.

Gebėsite kurti vizualizacijas ir ataskaitas duomenų analizės rezultatams pristatyti.

Gebėsite dirbti su dideliais duomenų rinkiniais ir duomenų bazėmis.

Sugebėsite dalytis duomenų analizės rezultatais su kolegomis ir pateikti rekomendacijas.

Suprasite apie etinius ir teisinius aspektus, susijusius su duomenų analize.

Suvokimas apie verslo aplinką ir galimybę pritaikyti duomenų mokslo įgūdžius verslo problemoms spręsti.

Gebėsite testuoti Python kodą ir užtikrinti, kad jis būtų patikimas ir veiktų taip kaip tikimasi.

Įgysite Objektinio ir Funkcinio programavimo įgūdžius.

Kas po mokymų?

Po šių mokymų, studentai kviečiami toliau nemokamai dalyvauti mokyklos mentorystės programoje: visą mėnesį, iškilus klausimams, tiek kreiptis į mokyklos lektorių, tiek naudotis mokyklos klasėmis savarankiškam mokymuisi.

Mūsų studentams, norintiems pradėti karjerą IT srityje, Karjeros centras padės praktikos ar darbo vietos paieškose, suteiks visą reikiamą informaciją apie darbo pokalbius, padės parengti stiprų ir patrauklų CV bei LinkedIn profilį, kurie išskirs Jus iš kitų kandidatų atrankos metu. Nuolat dalinamės darbo ir praktikos pasiūlymais bei konsultuojame visais su įsidarbinimu susijusiais klausimais. Darbo paieškų metu neliksite vieni, mūsų profesionali konsultantų ir mentorių komanda suteiks visapusišką pagalbą, siekiant Jūsų išsikelto tikslo – sėkmingai pradėti karjerą IT srityje.

Su Vilnius Coding School bendradarbiauja daugiau nei 250 įmonių – partnerių, kurios gali suteikti karjeros galimybes mūsų mokyklos absolventams. Net 85 proc. visų, baigusių mokyklą ir besikreipusių dėl darbo, sėkmingai įsidarbina.

Galimos darbo pozicijos po mokymų:

  • Duomenų Mokslininkas
  • Duomenų Analitikas
  • Mašininio Mokymo Inžinierius
  • Duomenų Inžinierius
  • Verslo Analitikas
  • Duomenų Produktų Vystymo Specialistas

Mokymų programa

  • Python kalbos istorija
  • Programavimo aplinkos nustatymas
  • Kintamieji ir jų tipai; If, elif, else sąlygos sakiniai
  • Operatoriai ir matematiniai veiksmai
  • For ciklo struktūra
  • Iteravimas per sąrašus ir žodynus
  • Range funkcija ir ciklo valdymas
  • „Break“ ir „Continue“ komandos for cikle
  • While ciklo struktūra
  • Sąlygų tikrinimas while cikle
  • Funkcijų struktūra ir apibrėžimas
  • Rekursija ir jos taikymas
  • Kintamųjų sričių supratimas (scope)
  • Skriptų vykdymas ir parametrų perdavimas komandinėje eilutėje
  • Python paketų valdymas (pip)
  • Išimtys ir failų valdymas Python
  • Tekstinės bylos skaitymas ir rašymas
  • Failų manipuliavimas
  • Python Failų ir katalogų sąrašo gavimas
  • Bylų skaitymas ir rašymas su Python
  • JSON duomenų formatas
  • Sąrašai, žodynai ir jų naudojimas
  • Kodo organizavimas ir paketavimas
  • Kas yra Git ir kodėl jį naudoti?
  • Git prieš kitas versijų kontrolės sistemas
  • Git diegimo instrukcijos
  • Pradinė Git konfigūracija
  • Darbas su lokalia repozitorija: „Init“, „Add“, „Commit“, „Status“, Branch’ų kūrimas, perjungimas: „Branch“, „Checkout“
  • Istorijos peržiūra ir skirtumai: „Log“, „Diff“
  • Kas yra nuotolinė repozitorijas?
  • „Remote“, „Clone“, „Push“, „Pull“; „Merge“ ir „Rebase“: kaip sujungti darbus
  • Konfliktų sprendimas
  • Saugumo praktikos: SSH raktai
  • Git srautų modeliai: Gitflow, GitHub flow
  • Git GUI klientai ir įrankiai
  • Objekto, klasės ir metodų sąvokos
  • Klasės ir objektai
  • Klasės deklaravimas ir struktūra
  • Konstruktorių ir destruktorių vaidmuo
  • Objektų instancijų kūrimas
  • Kintamųjų inicializavimas
  • Metodų kvietimas per objektus
  • Klasės ir objekto sąveika
  • Paveldėjimo sąvoka ir naudojimas
  • Tėvinės ir vaikinės klasės
  • Polimorfiškumo principai
  • Polimorfiškumo esmė
  • Abstrakčių klasių kūrimas
  • Duomenų valdymas ir transformavimas
  • Duomenų modelių kūrimas ir naudojimas
  • Projektas: Objektinio programavimo taikymas duomenų moksle
  • Realios duomenų analizės situacijos
  • Duomenų ir būsenų saugojimas klasių objektuose
  • Kintamųjų ir savybių saugojimas
  • Būsenos valdymas per objektus
  • Klasės metodai ir savybės: statinės savybės ir metodai
  • Klasių metodų naudojimas
  • Klasės ir objektų sąveika
  • Objektų sąveikos scenarijai
  • Duomenų analizės projektas su OOP principais
  • Duomenų valdymas ir transformavimas naudojant objektus;
  • Objektų naudojimas duomenų transformavimui;
  • Kas yra web scraping ir jo privalumai
  • HTML pagrindai
  • HTTP užklausų siuntimas ir atsakymų analizė
  • Teisiniai apribojimai ir etikos klausimai web scraping srityje
  • BeautifulSoup ir kitos web scraping bibliotekos
  • BeautifulSoup bibliotekos įdiegimas ir pristatymas
  • Elementų paieška ir išskyrimas iš HTML puslapio
  • Scraping taisyklių ir šablonų naudojimas
  • Pandas bibliotekos pristatymas
  • Duomenų filtravimas ir grupavimas
  • Duomenų vizualizacija su Pandas
  • Duomenų struktūros: serijos ir duomenų lentelės (DataFrame)
  • Nebalansuotų duomenų apdorojimas
  • Tekstinės duomenų analizė ir apdorojimas
  • Tekstinių duomenų valdymas
  • Teksto analizės metodai
  • Teksto duomenų pavyzdžiai su Pandas
  • Vaizdinių duomenų analizė ir apdorojimas
  • Vaizdinių duomenų įkėlimas ir apdorojimas
  • Vaizdų apdorojimo bibliotekos (OpenCV, Pillow)
  • Vaizdų vizualizacija
  • Testavimo svarbos ir pagrindinių principų apžvalga:
  • Skirtingi testavimo tipai, tokių kaip black box, white box, ir grey box
  • Unit Testų Reikšmė OOP Kontekste: Unit testų nauda objektinėje programavimo paradigmoje
  • Testų Atvejų Rašymas Klasėms ir Metodams: Testavimo scenarijų kūrimo praktiniai pavyzdžiai
  • Mocking ir Patching Unit Testuose
  • TDD Taikymas OOP su Python
  • PyTest Panaudojimas Testuojant Klases
  • Geriausios OOP Testavimo Praktikos
  • Testavimo karkasai: PyTest, unittest, nose2, ir kitų įrankių palyginimas
  • Testų Automatizavimas: Automatinio testavimo įrankių taikymas
  • Testavimo atvejai su duomenų bazėmis
  • Duomenų srautų ir servisų testavimas
  • Testavimo metrikos
  • Praktinis Testavimas: Projektas
  • Duomenų gavyba iš duomenų bazės su Python
  • Duomenų bazės sąsajos su Python
  • Realios duomenų gavybos projektai
  • Duomenų transformavimas, valdymas ir analizė su SQL ir Python:
    1. Duomenų transformavimo ir valdymo metodai
    2. Duomenų analizės įrankiai ir bibliotekos
    3. Praktiniai duomenų analizės pavyzdžiai
  • Duomenų saugojimas, atkūrimas ir indeksavimas:
    1. Duomenų saugojimo strategijos
    2. Duomenų bazės indeksavimo principai
  • Klasterizavimo pradžia ir reikšmė duomenų moksle
  • Klasterizavimo algoritmų tipai: hierarchinis, K-vidurkių, DBSCAN
  • K-Means klasterizavimo algoritmo gilinimas
  • Hierarchinio klasterizavimo principai
  • Modelio mokymas, vertinimas ir hiperparametrų nustatymas: Modelio mokymo principai
  • Modelio vertinimas: tikslumas, jautrumas, specifiškumas
  • ROC ir AUC analizė
  • Hiperparametrų optimizavimas: Grid Search ir kiti metodai
  • Modelių interpretavimas ir interpretuojamųjų modelių naudojimas
  • Laiko serijos ir prognozavimas

 

  • Supervizuoto mašininis mokymasis:
    1. Decision Trees, Random Forests
    2. Random Forests (Atsitiktinių miškų) koncepcija ir pritaikymas
    3. Nesupervizuoto mokymosi algoritmai
    4. Decision Trees ir Random Forests modelio kūrimas
    5. Įžanga į K-Nearest Neighbors (k-NN) ir Naive Bayes klasifikavimą
    6. K-Nearest Neighbors (k-NN) algoritmo esmė ir taikymas
    7. Naive Bayes klasifikavimo principai ir Bayes teoremos supratimas
    8. k-NN ir Naive Bayes modelio kūrimas
  • Regresijos analizė ir regresijos modeliai:
    1. Regresijos analizės pagrindai ir skirtingų tipų regresija
    2. Linear Regression (Linijinė regresija) ir Polynomial Regression (Polinominė regresija)
    3. Regresijos modelio kūrimas ir regresijos analizė
  • Mašininio mokymo modelio kūrimas
  • Duomenų rinkimas ir paruošimas projektui
  • Modelio kūrimas ir treniravimas
  • Neuroninių tinklų pradžia ir biologinis įkvėpimas
  • Perceptronas ir tinklo architektūros
  • CNN architektūros ir jų taikymas vaizdų analizėje
  • Generatyviniai dirbtinio intelekto (AI) modeliai
  • Rekurentinių neuroninių tinklų principai
  • LSTM ir GRU tinklai teksto analizei
  • RNN panaudojimas teksto ir sekų generavime
  • Modelio įvertinimo metodai:
    1. Modelio tikslumo (Accuracy) vertinimas
    2. Modelio tikslumo ir pataikymo (Precision) vertinimas
    3. Modelio atgavimo (Recall) ir F1 taškų vertinimas
    4. Modelio kūrimas ir mokymas su giliais tinklais
    5. Modelio vertinimas ir optimizavimas
  • Natūraliosios kalbos apdorojimas (NLP)
  • Teksto duomenų gavyba ir valdymas
  • Kalbos modeliai ir teksto klasifikacija
  • Teminis modeliavimas ir kalbų generavimo technikos
  • Hiperparametrų optimizavimas
  • Hiperparametrų pasirinkimo strategijos
  • Modelio interpretavimo metodai
  • Projektavimo pradžia ir duomenų rinkimas
  • Projektavimo pradžios principai ir užduočių apibrėžimas
  • Duomenų rinkimo strategijos ir šaltiniai
  • Duomenų analizės metodologija ir duomenų valdymas
  • Mašininio mokymo modelio kūrimas ir tinklo architektūra
  • Modelio įvertinimas, atlikimo metrikos ir tobulinimas
  • Modelio pristatymo strategijos ir efektyvus komunikavimas
  • Rezultatų dokumentavimas ir analizė
  • Projektų pasirinkimas ir apsibrėžimas:
    1. Temos ir projektų pasirinkimas
    2. Projekto apibrėžimas, tikslai ir reikalavimai
  • Duomenų rinkimas ir paruošimas:
    1. Duomenų šaltinių nustatymas ir duomenų rinkimas
    2. Duomenų valdymas, transformavimas ir valymas
  • Modelio kūrimas ir mokymas:
    1. Modelio struktūros projektavimas
    2. Duomenų mokymo procesas ir modelio kūrimas
    3. Modelio vertinimas ir hiperparametrų nustatymas

1. Bendravimo įgūdžiai

  • Aktyvus klausymasis
  • Efektyvi komunikacija
  • Bendravimas su sunkiais klientais
  • Ryšio kūrimas

2. Problemų sprendimo strategijos

  • Problemų analizavimas ir diagnostika
  • Sprendimų nustatymas
  • Gedimų šalinimo būdai
  • Pagrindinės problemos priežasties analizė
  • Naujausios problemų sprendimo technologijos
  • Kaip gauti atsiliepimus iš vadovų
  • Profesinis tobulėjimas

3. Laiko valdymas ir organizavimas

  • Užduočių prioritetų nustatymas
  • Darbo krūvio valdymas
  • Delegavimas ir bendradarbiavimas

4. Emocinis intelektas

  • Emocijų supratimas ir valdymas
  • Empatija ir užuojauta
  • Konfliktų sprendimas
  • Streso valdymas

5. Kaip išmokti daugiau ir greičiau bei mažiau
pamiršti

  •  5 minučių smegenų mankšta
  • Išvalykite savo „protinį rūką“ su šiais 5
    skaniais smegenų maisto produktais
  •  Išmokite galingą atminties techniką, kad
    niekada nepraleistumėte susitikimo
Vilnius Coding School SERTIFIKATAS
stiprus įrodymas, jog esi pasiruošęs karjerai IT!
sertifikatas

green tick Oficialus, Švietimo ir Mokslo registro patvirtintas sertifikatas

green tick Atpažįstamas stipriausių Lietuvos ir tarptautinių įmonių

green tick Įrodo, kad mokėtės pas geriausius savo srities specialistus

green tick Patikimas gautų įgūdžių įrodymas

green tick Skaidrią veiklą Lietuvoje vystančios įmonės išduotas sertifikatas

green tick Šis sertifikatas patvirtina, kad dalyvavote ne mažiau 95% kurso paskaitų realiu laiku su lektoriumi, atlikote ir apsigynėte baigiamąjį darbą

Registracija į šiuos mokymus