System Tools şi GIT Control System
123456789101112
System Tools şi GIT Control System
System tools reprezintă o colecție de tehnici utile pentru operarea unui sistem folosind comenzi. Orice profesionist în data science care se respectă ar trebui să știe cum să folosească consola. Te vom învăța cum să faci asta.
De asemenea, vei învăța cum să utilizezi sistemul de control al versiunilor GIT, care permite o colaborare ușoară în echipă
Python în data science
Python este cel mai popular limbaj folosit în data science. În acest modul, vei învăța elementele de bază ale limbajului Python necesare pentru a dezvolta codul aplicației.
Apoi, vei avea și un modul dedicat pentru Python nivel intermediar, în care vei învăța să stăpânești concepte mai avansate pe care le poți testa ulterior singur, prin exerciții practice.
Îți punem la dispoziție și un modul distinct în care vei învăța cum să incorporezi instrumentele Python în Data Science.
Statistică și probabilitate
Data science se bazează în întregime pe matematică. Acest modul te va ajuta să înțelegi operațiile folosind biblioteca Numpy, unde poţi calcula operații de bază în algebra liniară (operații pe vectori/matrici).
În a doua parte, vei afla mai multe despre probabilități, de exemplu, de ce testele cu rezultat de 90% trebuie repetate.
Prelucrarea seturilor de date
Data science reprezintă date, date și mai multe date. Acestea provin din surse diferite și sunt disponibile în diferite formate. Se spune că 90% din munca unui specialist în data science constă în procesarea datelor. Este greu să contrazici asta. Vei folosi abilitățile învățate în acest modul cel mai des în viața profesională viitoare.
Vei învăța cum să procesezi datele preluate prin API sau dintr-o bază de date SQL.
Vizualizarea datelor
Un grafic poate exprima mai mult de o mie de cuvinte. În contextul lucrului cu clienții care cumpără „după ochi”, abilitatea de a prezenta corect datele este extrem de valoroasă.
În acest modul, vei învăța cum să creezi diagramele interactive necesare pentru a lucra în data science.
Machine learning în practică
Prezicerea prețurilor la bursă?
Alegi momentul potrivit pentru a cumpăra o casă având în vedere fluctuaţiile de preţ?
Ce putem învăța despre viitor cunoscând trecutul?
Regresia încearcă să răspundă tocmai la aceste întrebări. Permite prezicerea valorilor necunoscute ale unei cantități pe baza valorilor cunoscute ale altor cantități. În plus, acest modul te va introduce în întregul subiect al metodelor clasice de învățare automată – acelea pe care se bazează multe soluții moderne. Vei învăța, de asemenea, despre problemele de clasificare în învățarea supervizată. De asemenea, îţi vom explica ce este învățarea nesupravegheată.
Biblioteca TensorFlow
Vei învăța cel mai popular cadru pentru crearea de soluții de rețea. Îţi permite să implementezi cu ușurință o arhitectură de rețea dată, un proces de învățare și acțiunile ulterioare.
Rețele neuronale
Rețelele neuronale artificiale sunt structuri care le imită pe cele din creierul nostru. Avem un semnal de intrare care este procesat diferit de diferiți neuroni care generează unele informații la sfârșitul procesului. Este una dintre cele mai populare metode de învățare automată, așa că trebuie să o cunoşti foarte bine.
Îţi permite să rezolvi probleme de regresie și clasificare și nu numai. Te vom învăța metode de a învăța astfel de rețele folosind TensorFlow.
Prelucrarea imaginilor – viziune computerizată
Cum funcționează vehiculele autonome?
Cum recunoşti semnele de circulație sau pietonii? În acest modul vei învăța cum să procesezi datele imaginii.
Cum filtrezi datele? Ce informații pot fi obținute din imagini?
În plus, vei învăța cum să utilizezi modele speciale de rețele neuronale utilizate pentru procesarea datelor de imagine. Înțelegând învățarea prin transfer, vei putea crea soluții care pot explica majoritatea problemelor de procesare a imaginilor și multe altele.
Prelucrarea limbajului natural
Alexa și Siri sunt două exemple de asistenți vocali. Cum înțeleg ei ce le spunem?
În acest modul, vei învăța cum să tratezi datele text (și să afli răspunsul la întrebarea anterioară).
Modul de lucru cu secvențe – rețele neuronale recurente
Cum pot rețelele neuronale să ia mai degrabă în considerare secvențele decât obiectele individuale? Cum știe algoritmul care cuvânt ar trebui să fie următorul într-o propoziție?
Vom încerca să răspundem la aceste întrebări folosind rețele neuronale recursive.
Proiecte practice
n cadrul cursului vei finaliza patru proiecte finale. Trei dintre acestea sunt proiecte practice (regresie, clasificare și procesare a imaginilor) finalizate în diferite etape ale cursului. În cele din urmă, vei avea un proiect final major.
Un exemplu de proiect final ar fi o prognoză COVID-19 folosind date disponibile public.
- System Tools şi GIT Control System
System tools reprezintă o colecție de tehnici utile pentru operarea unui sistem folosind comenzi. Orice profesionist în data science care se respectă ar trebui să știe cum să folosească consola. Te vom învăța cum să faci asta.
De asemenea, vei învăța cum să utilizezi sistemul de control al versiunilor GIT, care permite o colaborare ușoară în echipă
- Python în data science
Python este cel mai popular limbaj folosit în data science. În acest modul, vei învăța elementele de bază ale limbajului Python necesare pentru a dezvolta codul aplicației.
Apoi, vei avea și un modul dedicat pentru Python nivel intermediar, în care vei învăța să stăpânești concepte mai avansate pe care le poți testa ulterior singur, prin exerciții practice.
Îți punem la dispoziție și un modul distinct în care vei învăța cum să incorporezi instrumentele Python în Data Science.
- Statistică și probabilitate
Data science se bazează în întregime pe matematică. Acest modul te va ajuta să înțelegi operațiile folosind biblioteca Numpy, unde poţi calcula operații de bază în algebra liniară (operații pe vectori/matrici).
În a doua parte, vei afla mai multe despre probabilități, de exemplu, de ce testele cu rezultat de 90% trebuie repetate.
- Prelucrarea seturilor de date
Data science reprezintă date, date și mai multe date. Acestea provin din surse diferite și sunt disponibile în diferite formate. Se spune că 90% din munca unui specialist în data science constă în procesarea datelor. Este greu să contrazici asta. Vei folosi abilitățile învățate în acest modul cel mai des în viața profesională viitoare.
Vei învăța cum să procesezi datele preluate prin API sau dintr-o bază de date SQL.
- Vizualizarea datelor
Un grafic poate exprima mai mult de o mie de cuvinte. În contextul lucrului cu clienții care cumpără „după ochi”, abilitatea de a prezenta corect datele este extrem de valoroasă.
În acest modul, vei învăța cum să creezi diagramele interactive necesare pentru a lucra în data science.
- Machine learning în practică
Prezicerea prețurilor la bursă?
Alegi momentul potrivit pentru a cumpăra o casă având în vedere fluctuaţiile de preţ?
Ce putem învăța despre viitor cunoscând trecutul?
Regresia încearcă să răspundă tocmai la aceste întrebări. Permite prezicerea valorilor necunoscute ale unei cantități pe baza valorilor cunoscute ale altor cantități. În plus, acest modul te va introduce în întregul subiect al metodelor clasice de învățare automată – acelea pe care se bazează multe soluții moderne. Vei învăța, de asemenea, despre problemele de clasificare în învățarea supervizată. De asemenea, îţi vom explica ce este învățarea nesupravegheată.
- Biblioteca TensorFlow
Vei învăța cel mai popular cadru pentru crearea de soluții de rețea. Îţi permite să implementezi cu ușurință o arhitectură de rețea dată, un proces de învățare și acțiunile ulterioare.
- Rețele neuronale
Rețelele neuronale artificiale sunt structuri care le imită pe cele din creierul nostru. Avem un semnal de intrare care este procesat diferit de diferiți neuroni care generează unele informații la sfârșitul procesului. Este una dintre cele mai populare metode de învățare automată, așa că trebuie să o cunoşti foarte bine.
Îţi permite să rezolvi probleme de regresie și clasificare și nu numai. Te vom învăța metode de a învăța astfel de rețele folosind TensorFlow.
- Prelucrarea imaginilor – viziune computerizată
Cum funcționează vehiculele autonome?
Cum recunoşti semnele de circulație sau pietonii? În acest modul vei învăța cum să procesezi datele imaginii.
Cum filtrezi datele? Ce informații pot fi obținute din imagini?
În plus, vei învăța cum să utilizezi modele speciale de rețele neuronale utilizate pentru procesarea datelor de imagine. Înțelegând învățarea prin transfer, vei putea crea soluții care pot explica majoritatea problemelor de procesare a imaginilor și multe altele.
- Prelucrarea limbajului natural
Alexa și Siri sunt două exemple de asistenți vocali. Cum înțeleg ei ce le spunem?
În acest modul, vei învăța cum să tratezi datele text (și să afli răspunsul la întrebarea anterioară).
- Modul de lucru cu secvențe – rețele neuronale recurente
Cum pot rețelele neuronale să ia mai degrabă în considerare secvențele decât obiectele individuale? Cum știe algoritmul care cuvânt ar trebui să fie următorul într-o propoziție?
Vom încerca să răspundem la aceste întrebări folosind rețele neuronale recursive.
- Proiecte practice
n cadrul cursului vei finaliza patru proiecte finale. Trei dintre acestea sunt proiecte practice (regresie, clasificare și procesare a imaginilor) finalizate în diferite etape ale cursului. În cele din urmă, vei avea un proiect final major.
Un exemplu de proiect final ar fi o prognoză COVID-19 folosind date disponibile public.
