[Mathshub] Exploratory data analysis EDA. Тариф Начало пути (Георгий Милютин)

[Аноним]

Ссылка на картинку

Чему мы научим на Exploratory data analysis:
◆ На этом модуле вы изучите понятие стохастического подхода

в анализе данных, научитесь разделять переменные на различные типы и выбирать соответствующие меры по локации и разбросу, а также разберётесь в применении различных методов для анализа данных.
Обучение включает математическую статистику, линейную алгебру, математический анализ и теорию вероятностей, применяемые в оптимизации и машинном обучении. Вы узнаете, как проводить базовый исследовательский анализ, визуализировать данные и исправлять в них проблемы, заполнять пропущенные значения и оптимизировать большие датасеты для работы.
◆ Узнаете всё о стохастическом подходе
Разведывательный анализ данных (EDA) используют для исследования и анализа набора данных с целью получения первичного понимания о его структуре, особенностях и возможных образцах. Вы разберёте, что такое EDA, погрузитесь в краткую историю стохастического подхода и в сферы его применения.
◆ Научитесь работать с переменными
Вы узнаете, как в разведывательном методе используют различные типы переменных — непрерывные, дискретные, порядковые, номинальные, количественные. Также узнаете о зависимостях двух переменных, корреляции и регрессии.
◆ Изучите взаимодействие с массивами данных
В EDA работа с массивами данных включает в себя подготовку данных, их обработку, анализ, визуализацию, агрегацию и преобразования. Вы разберёте методы работы и какие программные инструменты необходимы в процессе.
◆ Познакомитесь с оптимизацией больших датасетов
Вы узнаете, как ускорить процесс работы, повысить эффективность в обработке информации и сократить время анализа. Расскажем, как удалять ненужные переменные, что такое индексация и как применять сжатие.
Что включено в модуль:
Введение в разведывательный анализ данных. Алгоритмы и методы
Математическая статистика в контексте EDA. Типы признаков
Линейная алгебра в контексте Линейных методов
Математический анализ в контексте задачи оптимизации
Теория вероятностей и математическая статистика
Теория вероятностей в контексте Наивного Байесовского классификатора
Анализ данных
Программа модуля:
Продолжительность: 16 ак. часов / 4 недели
Формат обучения: Лекция + семинар
Краткая история стохастического подхода. Типы переменных. Меры локации и разброса набора данных. Диаграмма размаха
Таблицы частот и оценка мер локации по неполным данным. Гистограммы плотностей
Зависимость двух переменных. Корреляция и регрессия
Непараметрическая корреляция. Расчёт корреляции и построение регрессии в Python
Мониторинг приложений. Автоматизация деплоя с помощью GitHub Actions
Оптимизация больших датасетов и библиотеки для работы с большими данными
Твои навыки после обучения
Владение математической статистики в контексте EDA
Умение строить таблицы частот и гистограммы плотностей, оценивать меры локации по неполным данным
Расчёт корреляции и построение регрессии в Python
Умение работать с массивами данных и пропусками. Классификация и агрегирование. Визуализация в Tableau
Оптимизация больших датасетов и библиотеки для работы с большими данными
Mathshub — международная школа анализа данных и разработки.
Преподаватель модуля: Георгий Милютин. EDA, Математика, Статистика. Ex-глава департамента математики в London Gate Education Group.