• История языка Python
• Настройка среды программирования
• Переменные и их типы; Предложения if, elif, else
• Операторы и математические операции
• Структура цикла for
• Перебор списков и словарей
• Функция диапазона и управление циклом
• Команды Break и Continue в цикле for
• Структура цикла while
• Проверка условий в цикле while
• Структура и определение функций
• Рекурсия и ее применение.
• Понимание переменных областей (объем)
• Выполнение скриптов и передача параметров в командной строке
• Управление пакетами Python (pip)
• Исключения и обработка файлов в Python
• Чтение и запись текстового файла
• Манипулирование файлами
• Python Получение списка файлов и каталогов
• Чтение и написание кейсов с помощью Python
• Формат данных JSON
• Списки, словари и их использование
• Организация и упаковка кода

• Что такое Git и зачем его использовать?
• Git против других систем контроля версий
• Инструкции по установке Git
• Начальная настройка Git
• Работа с локальным репозиторием: Init, Add, Commit, Status, Branching, Switching: Branch, Checkout.
• Просмотр истории и разница: журнал, разница
• Что такое удаленный репозиторий?
• Удаленное управление, клонирование, нажатие, вытягивание; Слияние и перебазирование: как объединить задания
• Решение конфликта
• Практика безопасности: ключи SSH
• Модели потока Git: Gitflow, поток GitHub.
• Клиенты и инструменты Git GUI

• Понятия объекта, класса и методов
• Классы и объекты
• Объявление и структура класса
• Роль конструкторов и деструкторов
• Создание экземпляров объектов
• Инициализация переменных
• Вызов методов через объекты
• Взаимодействие класса и объекта
• Понятие и использование наследования
• Родительские и детские классы
• Принципы полиморфизма
• Суть полиморфизма
• Создание абстрактных классов

• Управление и преобразование данных
• Создание и использование моделей данных
• Проект: Применение объектно-ориентированного программирования в науке о данных
• Реальные ситуации анализа данных
• Хранение данных и состояния в объектах класса
• Хранение переменных и свойств
• Управление состоянием через объекты
• Методы и свойства класса: Статические свойства и методы
• Использование методов класса
• Взаимодействие класса и объекта
• Скрипты взаимодействия объектов
• Проект анализа данных с принципами ООП
• Управление данными и преобразование с использованием объектов;
• Использование объектов для преобразования данных;

• Что такое парсинг веб-страниц и его преимущества
• Основы HTML
• Отправка HTTP-запросов и анализ ответов
• Юридические ограничения и этические проблемы при парсинге веб-страниц
• BeautifulSoup и другие библиотеки для парсинга веб-страниц.
• Установка и знакомство с библиотекой BeautifulSoup
• Поиск и извлечение элементов со страницы HTML
• Использование правил и шаблонов парсинга

• Презентация библиотеки Pandas
• Фильтрация и группировка данных
• Визуализация данных с помощью Pandas
• Структуры данных: ряды и таблицы данных (DataFrame)
• Обработка несбалансированных данных
• Анализ и обработка текстовых данных
• Управление текстовыми данными
• Методы анализа текста
• Примеры текстовых данных с Pandas
• Визуальный анализ и обработка данных
• Загрузка и обработка данных изображения
• Библиотеки обработки изображений (OpenCV, Pillow)
• Визуализация изображений

• Обзор важности и основных принципов тестирования:
• Различные типы тестирования, такие как «черный ящик», «белый ящик» и «серый ящик».
• Важность модульных тестов в контексте ООП: преимущества модульных тестов в парадигме объектно-ориентированного программирования
• Написание тестовых примеров для классов и методов: практические примеры разработки тестовых сценариев
• В модульных тестах для насмешек и исправлений
• TDD Применение ООП с Python
• Использование PyTest для тестирования классов
• Лучшие практики ООП-тестирования
• Платформы тестирования: сравнение PyTest, unittest, носа2 и других инструментов.
• Автоматизация тестирования: применение инструментов автоматизированного тестирования.
• Тестовые случаи с базами данных
• Тестирование потоков данных и сервисов
• Тестирование метрик
• Практическое тестирование: Проект

• Извлечение данных из базы данных с помощью Python
• Интерфейсы баз данных с Python
• Реальные проекты интеллектуального анализа данных
• Преобразование, управление и анализ данных с помощью SQL и Python:
  1. Методы преобразования и управления данными
  2. Инструменты и библиотеки анализа данных
  3. Практические примеры анализа данных
• Хранение, поиск и индексирование данных:
  1. Политики хранения данных
  2. Принципы индексации базы данных

• Происхождение и значение кластеризации в науке о данных
• Типы алгоритмов кластеризации: иерархический, K-средних, DBSCAN.
• Углубление алгоритма кластеризации K-средних
• Принципы иерархической кластеризации
• Обучение модели, оценка и гиперпараметризация: принципы обучения модели
• Оценка модели: точность, чувствительность, специфичность
• Анализ ROC и AUC
• Оптимизация гиперпараметров: поиск по сетке и другие методы
• Интерпретация моделей и использование интерпретируемых моделей
• Временные ряды и прогнозирование

• Контролируемое машинное обучение:
  1. Деревья решений, случайные леса
  2. Концепция и применение случайных лесов
  3. Алгоритмы обучения без учителя
  4. Моделирование деревьев решений и случайных лесов
  5. Введение в K-ближайшие соседи (k-NN) и наивную байесовскую классификацию
  6. Суть и применение алгоритма k-Nearest Neighbours (k-NN)
  7. Принципы наивной байесовской классификации и понимание теоремы Байеса
  8. разработка k-NN и наивной байесовской модели
• Регрессионный анализ и регрессионные модели:
  1. Основы регрессионного анализа и различные виды регрессии
  2. Линейная регрессия и полиномиальная регрессия
  3. Разработка регрессионной модели и регрессионный анализ
• Построение модели машинного обучения
• Сбор данных и подготовка к проекту
• Разработка и обучение моделей

• Начало нейронных сетей и биологическое вдохновение
• Персептрон и сетевые архитектуры
• Архитектуры CNN и их применение в анализе изображений
• Генеративные модели искусственного интеллекта (ИИ).
• Принципы рекуррентных нейронных сетей
• Сети LSTM и GRU для анализа текста
• Использование RNN при генерации текста и последовательностей
• Методы оценки модели:
  1. Оценка точности модели (Accuracy).
  2. Оценка точности и достоверности модели
  3. Оценка отзыва модели и баллов F1
  4. Разработка моделей и обучение с использованием глубоких сетей
  5. Оценка и оптимизация модели
• Обработка естественного языка (НЛП)
• Интеллектуальный анализ и управление текстовыми данными
• Языковые модели и классификация текстов
• Методы тематического моделирования и генерации языка
• Оптимизация гиперпараметров
• Стратегии выбора гиперпараметров
• Методы интерпретации модели

• Инициирование проектирования и сбор данных
• Принципы инициации проектирования и постановка задач
• Стратегии и источники сбора данных
• Методология анализа данных и управление данными
• Разработка модели машинного обучения и сетевой архитектуры
• Оценка модели, показатели производительности и уточнение
• Стратегии презентации модели и эффективная коммуникация
• Документирование и анализ результатов

• Выбор и определение проектов:
  1. Выбор тем и проектов
  2. Определение проекта, цели и требования
• Сбор и подготовка данных:
  1. Определение источников данных и сбор данных
  2. Управление данными, преобразование и очистка
• Разработка модели и обучение:
  1. Проектирование структуры модели
  2. Процесс обучения данных и разработка модели
  3. Оценка модели и определение гиперпараметров

1. Коммуникативные навыки

• Активное слушание
• Эффективная коммуникация
• Работа с трудными клиентами
• Создание соединения

2. Стратегии решения проблем

• Анализ проблемы и диагностика
• Определение решений
• Методы устранения неполадок
• Анализ первопричины проблемы
• Новейшие технологии решения проблем
• Как получить обратную связь от менеджеров
• Профессиональное развитие

3. Тайм-менеджмент и организация

• Приоритизация задач
• Управление рабочей нагрузкой
• Делегирование и сотрудничество

4. Эмоциональный интеллект

• Понимание и управление эмоциями
• Эмпатия и сострадание
• Решение конфликта
• Стресс-менеджмент

5. Как учиться больше, быстрее и меньше
забывать

•  5-минутное упражнение для мозга
• Очистите свой «мысленный туман» с помощью этих 5
  вкусная еда для мозга
•  Изучите мощную технику запоминания, чтобы
  ты бы никогда не пропустил встречу