95

Data Science with Python

Data SoCool
Data SoCool
İT

Təlim tarixi:

Təlim haqqında

Python ilə Data Science öyrənin!
Bu təlimdən sonra Python vasitəsilə müxtəlif data növləri ilə işləməyi, datanı təmizləməyi və analiz üçün hazır vəziyyətə gətirməyi, statistik analizlər etməyi, müxtəlif modellər qurmağı və onları vizuallaşdırmağı, datanıza əsasən gələcək trendləri proqnozlaşdırmağı bacaracaqsınız.

Təlimçi haqqında:
Vüsal İsayev - Hazırda Kapital Bankda Kredit risklərinin modelləşdirilməsi üzrə aparıcı mütəxəssis olaraq çalışır. Daha öncə isə Trivago'da Marketing Data Analyst,  Hildesheim Universitetində Research Assistant kimi çalışmışdır.
Magistratura təhsilini Almaniyada Hildesheim Universitetində Big Data and Machine Learning üzrə, bakalavr təhsilini isə Azərbaycan Dövlət Neft Akademiyasında Komputer elmləri üzrə almışdır.

Təlimin metodu:
Təlim müddətində mövzular praktiki tətbiq üzərindən izah olunacaq. Həftəlik və aylıq testlərlə mövzuların mənimsənilməsi ölçüləcək. Təlim iştirakçıları müxtəlif keyzlər üzərində praktiki olaraq işləyəcəklər. Həmçinin, hər dərsin sonunda ev tapşırıqları ilə keçilən mövzular daha da möhkəmləndiriləcək. Təlimin sonunda iştirakçılar 2 ay ərzində öyrəndikləri bacarıqları tətbiq edərək onlara verilmiş proyekt üzərində işləyəcəklər. Təlim proqramı ərzində iştirakçılara mentorluq dəstəyi də göstəriləcək. Dərslərə davamiyyət və keçirilən testlərin nəticələrinə əsasən iştirakçılar sertifikatla təmin olunacaqdır.

Təlimin auditoriyası:
Statistik və riyazi modelləşdirmə ilə məşğul olanlar, Data Science, Data Analitikası, Biznes Analitikası, Marketing Research, Maliyyə Analitikası və Risklərin İdarə Olunması, Proseslərin avtomatlaşdırılması, Aktuari, Sığorta və Bank sahəsində çalışanlar və çalışmaq istəyənlər.

Təlimin müddəti: 3 ay (60 saat)
Təlimin qiyməti: 300 AZN (aylıq)
Tələbələr üçün: 240 AZN (aylıq)

Qeydiyyat üçün şəxsiyyətinizi təsdiq edən sənədin şəklini 099 797 12 27 whatsapp nömrəsinə göndərməyiniz xahiş olunur.

Təlimin proqramı:
Chapter 1 - Programming basics
Lesson 1 
Understanding variables
Aggregation and working with variables
Using variables

Lesson 2 
Loops and statements
While Loop
For Loop
If Statement

Lesson 3 
Practice
Quiz Chapter 1 

Chapter 2 - Statistics
Lesson 4 
Introduction to Statistics
Distributions
Population and sampling
Explanatory data analysis
Measure of Central Tendency & Variabilities
Quartiles for decision making
Characteristics of Visualization
Correlation
Hypothesis testing

Lesson 5 
Practice 
Chapter 3 - Fundamentals of Python

Lesson 6 
Python conceptions
List
Tuples
Functions
Packages
Numpy library
Arrays
Slicing

Lesson 7 
Matrices
Dictionaries
User defined functions
Try except

Lesson 8 
Practice
Quiz 

Chapter 4 - DataFrames
Lesson 9 
Pandas library
Importing & adjusting Dataframe
Explore data with pandas parameters
Subsetting pieces for analyze
Operations on columns

Lesson 10 
Advanced Filtering DataFrame
Integer & Labeled locations for Filters

Lesson 11 
Practice
Quiz Chapter 5 - Data Cleaning

Lesson 12 
Importance of Data Cleaning
Duplicates variables
Explore & Detect problems
Dealing with Data types
Missing values o Irrelevant columns
-Summarizing and Replacing missing values
-Unexpected missing values
-Standard, Non-Standard missing values

Lesson 13 
Standarize Data o Untidy characters o Cleaning process with Strings
-Dealing different types of Datetimes
Analytics Approach
Merge & Concatenate
Groupby Method for advanced Analyze & Decisions
Working with sorting & indexes

Lesson 14 
Data Analytics Practice
Data Analytics Quiz

Lesson 15
Case Project Practice 
Chapter 6 - Data Mining

Lesson 16 
Understanding Data Mining
Introduction to Web Scraping
BeautifulSoup, Request libraries
Scraping real world data
SQL connection in Python

Lesson 17 
Practice
Quiz
 
Chapter 7 - Introduction to Machine Learning
Lesson 18 
What is Artificial Intelligence (AI)  & Machine Learning (ML) ?
Workflow in ML
Characteristics of Regression, Classification, Clustering models
Preperation tools for Predictive models
Encoding dummy variables
-Train-test identification
-Standard scaling
-Handling with dependent & independent variables

Lesson 19 
Linear Regression Model
Data Preprocessing
Building Model
Evaluating
Logistic Regression Model
-Data Preprocessing
-Building Model
-Evaluating

Lesson 20
Practice

Lesson 21
Building regression models (Random Forest, Decision Tree)
Building classification models (XGBoost, LightGBM, Random Forest)

Lesson 22 
Practice 
Quiz

Lesson 23 
Practice

Lesson 24 
Final Quiz
Final Case Project