Python ilə Data elmi, Maşın öyrənməsi (Machine learning)
online offline

Data Elminə Giriş: Python ilə Maşın Öyrənmənin (machine learning) Əsasları
Siz bu kursda nələr öyrənəcəksiniz?

Bu kursun birinci hissəsində Python əsasları, Python və Jupyter interfeysinin quraşdırılması, müxtəlif məlumat növləri, məlumat strukturları, şərti ifadələr, döngələr və iteratorlar, funksiyalar, obyekt yönümlü konsepsiyalar, həmçinin Numpy, Pandas, Matplotlib, Seaborn və s. kimi data elminə aid xüsusi alətlər nəzərdən keçiriləcək.

İkinci hissədə biz Maşın Öyrənməsinin (machine learning) əsaslarını, öyrənmə növlərini, təsnifat alqoritmlərini, reqressiyanı və klasterləşdirməni əhatə edəcəyik. İştirakçı ansambl öyrənməsi və şəbəkə axtarışından istifadə edərək modelləri öyrədə, performansı ölçə və ən yaxşı modeli necə seçə biləcəyini öyrənəcək.
İştirakçılar python proqramlaşdırma mühitində tapşırıqlar, məşq və sınaq imtahanları ilə təmin olunacaqlar.

Bu qısa və sürətli təlimdə biz yeni real həyatda istifadə nümunəsi (use case) layihəsinə başlayacağıq və kursun sonunda onu tamamlamaq üçün eyni layihə üzərində işləyəcəyik.

Chapter 1: Basics of Python for Data Analysis

  • Installation of Python and Jupyter  Notebook
  • Our First Python Program: Running Jupyter
  • Python variables and data structures
  • Lists, Tuples, Sets and Dictionaries
  • Control flows
  • If/else conditionals
  • Loop and While Loops
  • Functions and libraries
  • Object Oriented Programming (OOP)
  • Classes and Objects
  • Inheritance, Polymorphism, Encapsulation
  • Chapter Project: Use Case

 

Chapter 2: Python for Data Analysis

  • Python with Data Science tools
  • NumPy: Working with NumPy Arrays
  • Array Indexing and Slicing
  • Computation on Arrays: Ufuncs
  • Data Manipulation with Pandas
  • Loading and Saving Data
  • Series, DataFrame and Index
  • Data Preparation
  • Data Cleaning and Imputation
  • Missing Values in Dataset
  • Aggregation in DataFrame
  • Data Visualization with Matplotlib and  Seaborn
  • Line plot, Bar plot, Scatter plot, Pair plot, Heat map
  • Histogram, Displot and Pie Chart
  • Customizing Plots
  • Multiple Subplots
  • Text and Annotation
  • Chapter Project: Use Case

 

Chapter3: Statistics for Data Science

  • Introduction to Statistics
  • Basics of Probability
  • Discrete Probability Distribution
  • Continuous Probability Distribution
  • Bayes’ Theorem
  • Central Limit Theorem
  • Concepts of Hypothesis Testing: Null and Alternate Hypothesis
  • Making a Decision and Critical Value Method
  • p-Value Method and Types of Errors
  • One-Sample T-Test, Two Sample T-Test
  • Use Case Project
  • Assignment

 

Chapter 4: The Fundamentals of Machine Learning

  • Categories of Machine Learning
  • Working with Scikit-learn
  • Main Challenge of Machine Learning
  • Overfitting vs Underfitting
  • Train Test Validation Splits
  • Hyperparameter Tuning and Model Selection
  • Grid search
  • Feature Engineering
  • End to End Machine Learning Project

 

Chapter 5: Training Classification Algorithms

  • Training a Binary Classification
  • Measuring the Performance
    • Accuracy
    • Confusion Matrix
    • Precision and Recall
    • The ROC Curve
  • Multiclass Classification
  • Multilabel Classification
  • Chapter Project: Use Case

 

Chapter 6: Regression

  • Linear Regression
  • Training Models
  • Gradient Descent
    • Batch Gradient Descent
    • Stochastic Gradient Descent
    • Mini-batch Gradient Descent
  • Regularization
    • Ridge Regression
    • Lasso Regression
    • Early Stopping
    • Elastic Net
  • Logistic Regression
    • Training and cost Function
    • Softmax Regression
    • Decision Boundaries
  • Chapter Project: Practical Use Case

 

Chapter 7: Other Classification Algorithms

  • Support Vector Machines (SVM)
  • Decision Trees
  • Ensemble Learning and Random Forests
  • Bagging and Pasting
  • Boosting
  • Chapter Project: Customer Churn Analysis

 

Chapter 8: Clustering

  • K-means
  • DBSCAN
  • Project: Clustering for Image Segmentation
  • Gaussian Mixtures
  • Project: Anomaly detection
  • Final Project: Comprehensive real-world use case

Nicat Əliyev "Dataco. Consulting and Training" şirkətinin direktoru

Təlimin 1 aylıq ödənişi: 370 AZN

Təlim 4 ay davam edəcək.

 

Təlim iştirakçıları üçün üç kateqoriyalı endirim nəzərdə tutulmuşdur:

1. “Business Management School” təlimlərindən məzun olanlar üçün 10% endirim tətbiq ediləcəkdir.

2. Korporativ müştərilər üçün; Eyni şirkətdən 2 əməkdaşın iştirakı nəzərdə tutularsa, hər birinə 5 %, 3 və daha artıq əməkdaşın iştirakı nəzərdə tutularsa hər birinə 10% endirim tətbiq ediləcəkdir.

3. Tələbələr üçün 10% endirim tətbiq ediləcəkdir.

 

Qeyd: İştirakçıya endirim kateqoriyalarından yalnız biri tətbiq edilə bilər!

 

Ödənişə daxildir:

- Elektron təlim matrialları

- Təlim müddətində ediləcək layihələr

- Sertifikat

- Kofe-breyk

Sertifikat:

Təlimin ümumi müddətinin 80 %-də  və imtahanda  iştirak edən hər kəs “iştirakçı” sertifikatı ilə təltif olunacaqdır. Sonda keçirilən layihədə yüksək nəticə göstərənlər isə əlavə olaraq “müvəffəqiyyət” sertifikatı ilə mükafatlandırılacaqlar.
Müvəffəqiyyətlə bitirən iştirakçılar "Dataco. Consulting and Training" şirkətində təcrübəçi kimi fəaliyyət göstərmək imkanına sahib olacaqlar.

  Dərs tarixləri Saatları
Nicat Əliyev 24 yanvar 19:00-21:00
26 yanvar     19:00-21:00
31 yanvar     19:00-21:00
2 fevral    19:00-21:00
9 fevral 19:00-21:00
14 fevral 19:00-21:00
16 fevral 19:00-21:00
21 fevral     19:00-21:00
23 fevral 19:00-21:00
28 fevral 19:00-21:00
1 mart 19:00-21:00
6 mart 19:00-21:00
13 mart 19:00-21:00
15 mart 19:00-21:00
27 mart 19:00-21:00
29 mart 19:00-21:00
3 aprel 19:00-21:00
5 aprel 19:00-21:00
12 aprel 19:00-21:00
17 aprel 19:00-21:00
  19 aprel 19:00-21:00
24 aprel 19:00-21:00
26 aprel 19:00-21:00
1 may 19:00-21:00
3 may 19:00-21:00
8 may 19:00-21:00
10 may 19:00-21:00
15 may 19:00-21:00
17 may 19:00-21:00
22 may 19:00-21:00
24 may 19:00-21:00
29 may 19:00-21:00

Müraciət et

Populyar kurslar