Data Science with Python

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