Планируемое обучение:
17 апреля
9 мая
13 июня
11 июля
8 августа
5 сентября
5 октября
14 ноября
12 декабря
Цена:
4545€
(При оплате полной суммы сразу применяется скидка 10%)
Наука о данных с Python — это область, в которой используется набор инструментов экосистемы языка программирования Python для получения значимой информации из данных. Python предоставляет мощную библию...
Что после тренировки?
После этих тренингов учащимся предлагается продолжить бесплатное участие в программе наставничества школы: в течение целого месяца при возникновении вопросов они могут как обращаться к лектору школы, так и использовать аудитории школы для самостоятельной учебы.
Нашим студентам, желающим начать карьеру в сфере ИТ, Центр карьеры поможет найти стажировку или работу, предоставит всю необходимую информацию о собеседованиях, поможет подготовить сильное и привлекательное резюме и профиль в LinkedIn, который выделить вас среди других кандидатов в процессе отбора. Мы постоянно делимся предложениями о работе и стажировках, консультируем по всем вопросам, связанным с трудоустройством. Вы не будете одиноки во время поиска работы, наша профессиональная команда консультантов и наставников окажет всестороннюю помощь для достижения вашей цели – успешного начала карьеры в сфере ИТ.
Vilnius Coding School сотрудничает с более чем 250 компаниями-партнерами, которые могут предоставить карьерные возможности выпускникам нашей школы. Даже 85 процентов все, кто окончил школу и устроился на работу, успешно трудоустроены.
Программа обучения
- 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:
- Методы преобразования и управления данными
- Инструменты и библиотеки анализа данных
- Практические примеры анализа данных
- Хранение, поиск и индексирование данных:
- Политики хранения данных
- 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:
- Деревья решений, случайные леса
- Концепция и применение случайных лесов
- Алгоритмы обучения без учителя
- Моделирование деревьев решений и случайных лесов
- Введение в K-ближайшие соседи (k-NN) и наивную байесовскую классификацию
- Суть и применение алгоритма k-Nearest Neighbours (k-NN)
- Принципы наивной байесовской классификации и понимание теоремы Байеса
- разработка k-NN и наивной байесовской модели
- Регрессионный анализ и регрессионные модели:
- Основы регрессионного анализа и различные виды регрессии
- Линейная регрессия и полиномиальная регрессия
- 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:
- Оценка точности модели (Accuracy).
- Оценка точности и достоверности модели
- Оценка отзыва модели и баллов F1
- Разработка моделей и обучение с использованием глубоких сетей
- 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:
- Выбор тем и проектов
- Определение проекта, цели и требования
- Сбор и подготовка данных:
- Определение источников данных и сбор данных
- Управление данными, преобразование и очистка
- Разработка модели и обучение:
- Проектирование структуры модели
- Процесс обучения данных и разработка модели
- 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
- Работа искусственного интеллекта. Чем он отличается от человека?
- Создание запроса (Подсказка). В чем разница между хорошим запросом и плохим?
- Валидация результатов. Проверка полученных данных на пригодность в конкретном случае.
- Политика управления версиями. Указание версии используемого программного обеспечения (вендора) в запросе.
- Плагины искусственного интеллекта в редакторе кода (IDE). Преимущества и недостатки.
- Генерация комментариев с помощью искусственного интеллекта.
- Создание тестов с помощью плагина.
- Оптимизация кода с помощью плагина.
Вильнюс Кодирование Аттестат
убедительное доказательство того, что вы готовы карьера ЭТО!
Официальный сертификат, утвержденный Регистром образования и науки
Признан сильнейшими литовскими и международными компаниями
Это доказывает, что вы учились у лучших специалистов в своей области.
Надежное доказательство приобретенных навыков
Сертификат, выданный компанией, развивающей прозрачную деятельность в Литве
Данный сертификат подтверждает, что вы посетили не менее 95% лекций курса в режиме реального времени с лектором, выполнили и защитили итоговую курсовую работу.
Система скидок
Нормальная стоимость обучения
4545 €
НЕМЕДЛЕННО ОПЛАЧИВАЯ ПОЛНУЮ СУММУ
мы применяем скидку 10%!
(€ 4091
(Полная стоимость 4545 €)
Применяется, если вы оплачиваете полную сумму во время предварительной регистрации
ВЫПУСКНИКАМ
мы применяем скидку 15%!
(€ 3864
(Полная стоимость
4545 €)
Распространяется на всех выпускников школы на все тренинги и мастер-классы выходного дня
ПОРЕКОМЕНДУЙТЕ НАС ДРУГУ
мы применяем скидку 10%!
(€ 4091
(Полная стоимость
4545 €)
Применяется, если вы приехали учиться в паре