Kurs Data Science: algorytmy, techniki i narzędzia

1. Podstawy statystyki i matematyki

• praktyczne koncepcje statystyczne do analizy danych (testowanie hipotez, rozkłady prawdopodobieństwa),
• podstawy algebry liniowej dla uczenia maszynowego z wykorzystaniem biblioteki NumPy,
• case study: analiza rynku przy użyciu metod statystycznych.

2. Podstawy programowania w Pythonie

• podstawy Pythona z naciskiem na biblioteki do nauki o danych (NumPy, Pandas),
• struktury danych i algorytmy do efektywnego przetwarzania danych,
• projekt: tworzenie zautomatyzowanego potoku danych.

3. Eksploracja danych (EDA)

• czyszczenie i wstępne przetwarzanie danych za pomocą Pandas i NumPy,
• zaawansowana wizualizacja z wykorzystaniem bibliotek Matplotlib, Seaborn i Plotly,
• realny projekt: analiza zachowań klientów w e-commerce,
• narzędzia: Jupyter Notebooks, Pandas Profiling.

4. Zaawansowane techniki EDA

• przekształcanie danych,
• tworzenie i interpretacja wykresów korelacji,
• grupowanie i agregacja danych.

5. Przygotowanie danych do modelowania

• normalizacja i standaryzacja danych,
• kodowanie zmiennych kategorycznych,
• podział na zbiór treningowy i testowy.

6. Wprowadzenie do uczenia maszynowego

• rodzaje uczenia maszynowego:
  • nadzorowane,
  • nienadzorowane,
  • wzmacniające,
• algorytmy nadzorowane:
  • regresja liniowa,
  • regresja logistyczna,
• implementacja prostych modeli w Pythonie.

7. Ocena i walidacja modeli

• metryki oceny modeli:
  • MAE, 
  • MSE,
  • RMSE,
  • accuracy,
  • precision,
  • recall,
  • F1-score,
• techniki walidacji:
  • walidacja krzyżowa,
  • grid search,
• unikanie przeuczenia:
  • regularizacja,
  • dropout.

8. Zaawansowane algorytmy uczenia maszynowego

• drzewa decyzyjne, lasy losowe,
• Support Vector Machines (SVM),
• sieci neuronowe i wprowadzenie do deep learningu.

9. Uczenie nienadzorowane

• analiza skupień:
  • k-means,
  • DBSCAN,
• redukcja wymiarów:
  • PCA, 
  • t-SNE,
• analiza koszykowa:
  • algorytm Apriori.

10. Praktyczne zastosowania Data Science

• analiza sentymentu,
• wykrywanie anomalii,
• systemy rekomendacyjne.

11. Narzędzia i technologie w Data Science

• technologie Big Data: Hadoop, Spark i obliczenia rozproszone,
• platformy chmurowe: AWS SageMaker, Google AI Platform, Azure ML,
• MLOps: Docker, Kubernetes, ML Flow oraz wdrażanie modeli,
• projekt końcowy: rozwój kompleksowego potoku ML.