Statystyka w praktyce - Nauczysz się stosować testowanie hipotez i rozkłady prawdopodobieństwa do realnych danych, dzięki czemu samodzielnie ocenisz wyniki analiz i podejmiesz trafniejsze decyzje biznesowe.
Python do analizy danych - Opanujesz Python w kontekście Data Science i zaczniesz sprawnie używać NumPy oraz Pandas, aby szybciej czyścić dane, przekształcać je i budować powtarzalne analizy.
Skuteczna eksploracja danych - Dowiesz się, jak prowadzić EDA od czyszczenia danych po wizualizację w Matplotlib, Seaborn i Plotly, dzięki czemu łatwiej wykryjesz zależności, anomalie i wartościowe wzorce.
Lepsze przygotowanie danych - Przećwiczysz normalizację, standaryzację, kodowanie zmiennych kategorycznych i podział danych, więc przygotujesz zbiory w sposób poprawny i gotowy do dalszego modelowania.
Modele ML od podstaw - Zbudujesz i uruchomisz pierwsze modele nadzorowane, takie jak regresja liniowa i logistyczna, dlatego zrozumiesz, kiedy używać konkretnych algorytmów i jak interpretować wyniki.
Rzetelna ocena modeli - Nauczysz się dobierać metryki takie jak MAE, RMSE, precision czy recall oraz stosować walidację krzyżową i grid search, aby świadomie porównywać modele i ograniczać przeuczenie.
Zaawansowane algorytmy - Poznasz drzewa decyzyjne, lasy losowe, SVM, sieci neuronowe, a także metody nienadzorowane, takie jak k-means, PCA czy Apriori, co poszerzy Twój warsztat analityczny.
Potok ML i wdrożenie - Zobaczysz, jak połączyć analizę, modelowanie i wdrożenie z użyciem chmury, Dockera, Kubernetesa i MLflow, dzięki czemu lepiej przygotujesz się do pracy nad pełnym pipeline ML.
Podstawy obsługi komputera - Powinieneś swobodnie pracować na komputerze, instalować programy, zarządzać plikami i folderami oraz korzystać z przeglądarki, aby sprawnie wykonywać ćwiczenia.
Elementarna znajomość matematyki - Powinieneś rozumieć działania algebraiczne, procenty, średnią i podstawowe wykresy, bo te pojęcia będą potrzebne do pracy ze statystyką i analizą danych.
Podstawy angielskiego technicznego - Powinieneś czytać proste nazwy funkcji, komunikaty i dokumentację po angielsku, ponieważ biblioteki, narzędzia i środowiska używane na kursie korzystają z tego języka.
Gotowość do pracy praktycznej - Powinieneś być gotowy do samodzielnego wykonywania ćwiczeń i analizowania danych w praktyce, bo kurs obejmuje projekty, notebooki oraz budowę własnych modeli.
