Information and communication technologies
UAB "Vilnius Coding School"
Duomenų mokslas: nuo Python programavimo pagrindų iki duomenų analizės praktikos
0.0
No ratings
Learning begins:
Tikslinama
492 (ac. h.)
Price from:
Tikslinama
About course
Information provided by the training provider
Abstract
Important information
Way of learning
-
Place
-
Language
-
Aukštos pridėtinės vertės programa
No
Minimum requirements for the participant
Education
Vidurinis išsilavinimas
Acquired and improved competencies
Ordinary:
Professional competencies:
High value-added qualifications and competences:
Content of the learning program
| Topic name | Brief description of the topic |
|---|---|
|
Topic name
Baigiamasis darbas
|
Brief description of the topic
Projektų pasirinkimas ir apsibrėžimas: 1:Temos ir projektų pasirinkimas; 2:Projekto apibrėžimas, tikslai ir reikalavimai; Duomenų rinkimas ir paruošimas: 1: Duomenų šaltinių nustatymas ir duomenų rinkimas; 2: Duomenų valdymas, transformavimas ir valymas; Modelio kūrimas ir mokymas: 1:Modelio struktūros projektavimas; 2: Duomenų mokymo procesas ir modelio kūrimas; 3: Modelio vertinimas ir hiperparametrų nustatymas.
|
|
Topic name
Duomenų klasterizavimas ir klasifikavimas
|
Brief description of the topic
Klasterizavimo pradžia ir reikšmė duomenų moksle; Klasterizavimo algoritmų tipai: hierarchinis, K-vidurkių, DBSCAN; K-Means klasterizavimo algoritmo gilinimas; Hierarchinio klasterizavimo principai; Modelio mokymas, vertinimas ir hiperparametrų nustatymas: Modelio mokymo principai; Modelio vertinimas: tikslumas, jautrumas, specifiškumas; ROC ir AUC analizė; Hiperparametrų optimizavimas: Grid Search ir kiti metodai; Modelių interpretavimas ir interpretuojamųjų modelių naudojimas; Laiko serijos ir prognozavimas.
|
|
Topic name
Projektas: Duomenų mokslas ir mašininis mokymasis
|
Brief description of the topic
Projektavimo pradžia ir duomenų rinkimas; Projektavimo pradžios principai ir užduočių apibrėžimas; Duomenų rinkimo strategijos ir šaltiniai; Duomenų analizės metodologija ir duomenų valdymas; Mašininio mokymo modelio kūrimas ir tinklo architektūra; Modelio įvertinimas, atlikimo metrikos ir tobulinimas; Modelio pristatymo strategijos ir efektyvus komunikavimas; Rezultatų dokumentavimas ir analizė.
|
|
Topic name
Gilieji neuroniniai tinklai
|
Brief description of the topic
Neuroninių tinklų pradžia ir biologinis įkvėpimas; Perceptronas ir tinklo architektūros; CNN architektūros ir jų taikymas vaizdų analizėje; Generatyviniai dirbtinio intelekto (AI) modeliai; Rekurentinių neuroninių tinklų principai; LSTM ir GRU tinklai teksto analizei; RNN panaudojimas teksto ir sekų generavime; Modelio įvertinimo metodai: 1: Modelio tikslumo (Accuracy) vertinimas; 2: Modelio tikslumo ir pataikymo (Precision) vertinimas; 3: Modelio atgavimo (Recall) ir F1 taškų vertinimas; 4: Modelio kūrimas ir mokymas su giliais tinklais; 5: Modelio vertinimas ir optimizavimas; Natūraliosios kalbos apdorojimas (NLP); Teksto duomenų gavyba ir valdymas; Kalbos modeliai ir teksto klasifikacija; Teminis modeliavimas ir kalbų generavimo technikos; Hiperparametrų optimizavimas; Hiperparametrų pasirinkimo strategijos; Modelio interpretavimo metodai.
|
|
Topic name
Mašininis mokymasis
|
Brief description of the topic
Supervizuoto mašininis mokymasis: 1: Decision Trees, Random Forests; 2: Random Forests (Atsitiktinių miškų) koncepcija ir pritaikymas; 3: Nesupervizuoto mokymosi algoritmai; 4: Decision Trees ir Random Forests modelio kūrimas; 5: Įžanga į K-Nearest Neighbors (k-NN) ir Naive Bayes klasifikavimą; 6: K-Nearest Neighbors (k-NN) algoritmo esmė ir taikymas; 7: Naive Bayes klasifikavimo principai ir Bayes teoremos supratimas; 8: k-NN ir Naive Bayes modelio kūrimas; Regresijos analizė ir regresijos modeliai: 1: Regresijos analizės pagrindai ir skirtingų tipų regresija; 2: Linear Regression (Linijinė regresija) ir Polynomial Regression (Polinominė regresija); 3: Regresijos modelio kūrimas ir regresijos analizė; Mašininio mokymo modelio kūrimas; Duomenų rinkimas ir paruošimas projektui; Modelio kūrimas ir treniravimas.
|
|
Topic name
Python programavimo pagrindai
|
Brief description of the topic
Python kalbos istorija; programavimo aplinkos nustatymas; Kintamieji ir jų tipai; If, elif, else sąlygos sakiniai; Operatoriai ir matematiniai veiksmai; For ciklo struktūra; Iteravimas per sąrašus ir žodynus; Range funkcija ir ciklo valdymas; „Break“ ir „Continue“ komandos for cikle While ciklo struktūra Sąlygų tikrinimas while cikle Funkcijų struktūra ir apibrėžimas Rekursija ir jos taikymas Kintamųjų sričių supratimas (scope) Skriptų vykdymas ir parametrų perdavimas komandinėje eilutėje Python paketų valdymas (pip) Išimtys ir failų valdymas Python Tekstinės bylos skaitymas ir rašymas Failų manipuliavimas Python Failų ir katalogų sąrašo gavimas Bylų skaitymas ir rašymas su Python JSON duomenų formatas Sąrašai, žodynai ir jų naudojimas; Kodo organizavimas ir paketavimas;
|
|
Topic name
Web scraping principai
|
Brief description of the topic
Kas yra web scraping ir jo privalumai; HTML pagrindai; HTTP užklausų siuntimas ir atsakymų analizė; Teisiniai apribojimai ir etikos klausimai web scraping srityje; BeautifulSoup ir kitos web scraping bibliotekos; BeautifulSoup bibliotekos įdiegimas ir pristatymas; Elementų paieška ir išskyrimas iš HTML puslapio; Scraping taisyklių ir šablonų naudojimas;
|
|
Topic name
Karjeros startui – minkštieji įgūdžiai (soft skills)
|
Brief description of the topic
1. Bendravimo įgūdžiai: Aktyvus klausymasis; Efektyvi komunikacija; Bendravimas su sunkiais klientais; Ryšio kūrimas. 2. Problemų sprendimo strategijos: Problemų analizavimas ir diagnostika; Sprendimų nustatymas; Gedimų šalinimo būdai; Pagrindinės problemos priežasties analizė; Naujausios problemų sprendimo technologijos; Kaip gauti atsiliepimus iš vadovų; Profesinis tobulėjimas. 3. Laiko valdymas ir organizavimas: Užduočių prioritetų nustatymas; Darbo krūvio valdymas; Delegavimas ir bendradarbiavimas. 4. Emocinis intelektas: Emocijų supratimas ir valdymas; Empatija ir užuojauta; Konfliktų sprendimas; Streso valdymas. 5. Kaip išmokti daugiau ir greičiau bei mažiau pamiršti: 5 minučių smegenų mankšta; Išvalykite savo „protinį rūką“ su šiais 5 skaniais smegenų maisto produktais; Išmokite galingą atminties techniką, kad niekada nepraleistumėte susitikimo.
|
|
Topic name
Objektinio programavimo naudojimas duomenų analizėje
|
Brief description of the topic
Duomenų valdymas ir transformavimas; Duomenų modelių kūrimas ir naudojimas; Projektas: Objektinio programavimo taikymas duomenų moksle; Realios duomenų analizės situacijos; Duomenų ir būsenų saugojimas klasių objektuose; Kintamųjų ir savybių saugojimas; Būsenos valdymas per objektus; Klasės metodai ir savybės: statinės savybės ir metodai; Klasių metodų naudojimas; Klasės ir objektų sąveika; Objektų sąveikos scenarijai; Duomenų analizės projektas su OOP principais; Duomenų valdymas ir transformavimas naudojant objektus; Objektų naudojimas duomenų transformavimui.
|
|
Topic name
Pandas biblioteka
|
Brief description of the topic
Pandas bibliotekos pristatymas; Duomenų filtravimas ir grupavimas; Duomenų vizualizacija su Pandas; Duomenų struktūros: serijos ir duomenų lentelės (DataFrame); Nebalansuotų duomenų apdorojimas; Tekstinės duomenų analizė ir apdorojimas; Tekstinių duomenų valdymas; Teksto analizės metodai; Teksto duomenų pavyzdžiai su Pandas; Vaizdinių duomenų analizė ir apdorojimas; Vaizdinių duomenų įkėlimas ir apdorojimas; Vaizdų apdorojimo bibliotekos (OpenCV, Pillow); Vaizdų vizualizacija.
|
|
Topic name
Objektinis programavimas
|
Brief description of the topic
Objekto, klasės ir metodų sąvokos; Klasės ir objektai; Klasės deklaravimas ir struktūra; Konstruktorių ir destruktorių vaidmuo; Objektų instancijų kūrimas; Kintamųjų inicializavimas; Metodų kvietimas per objektus; Klasės ir objekto sąveika; Paveldėjimo sąvoka ir naudojimas; Tėvinės ir vaikinės klasės; Polimorfiškumo principai; Polimorfiškumo esmė; Abstrakčių klasių kūrimas.
|
|
Topic name
Duomenų parengimas su ,,Python" sąsaja su ,,SQL"
|
Brief description of the topic
Duomenų gavyba iš duomenų bazės su Python; Duomenų bazės sąsajos su Python; Realios duomenų gavybos projektai; Duomenų transformavimas, valdymas ir analizė su SQL ir Python: 1: Duomenų transformavimo ir valdymo metodai; 2: Duomenų analizės įrankiai ir bibliotekos; 3: Praktiniai duomenų analizės pavyzdžiai; Duomenų saugojimas, atkūrimas ir indeksavimas: 1: Duomenų saugojimo strategijos; 2: Duomenų bazės indeksavimo principai.
|
|
Topic name
Versijavimo kontrolės sistema GIT
|
Brief description of the topic
Kas yra Git ir kodėl jį naudoti?; Git prieš kitas versijų kontrolės sistemas; Git diegimo instrukcijos; Pradinė Git konfigūracija; Darbas su lokalia repozitorija: „Init“, „Add“, „Commit“, „Status“, Branch’ų kūrimas, perjungimas: „Branch“, „Checkout“; Istorijos peržiūra ir skirtumai: „Log“, „Diff“; Kas yra nuotolinė repozitorijas?; „Remote“, „Clone“, „Push“, „Pull“; „Merge“ ir „Rebase“: kaip sujungti darbus; Konfliktų sprendimas; Saugumo praktikos: SSH raktai; Git srautų modeliai: Gitflow, GitHub flow; Git GUI klientai ir įrankiai.
|
|
Topic name
Testavimas su Python
|
Brief description of the topic
Testavimo svarbos ir pagrindinių principų apžvalga; Skirtingi testavimo tipai, tokių kaip black box, white box, ir grey box; Unit Testų Reikšmė OOP Kontekste: Unit testų nauda objektinėje programavimo paradigmoje; Testų Atvejų Rašymas Klasėms ir Metodams: Testavimo scenarijų kūrimo praktiniai pavyzdžiai; Mocking ir Patching Unit Testuose; TDD Taikymas OOP su Python; PyTest Panaudojimas Testuojant Klases; Geriausios OOP Testavimo Praktikos Testavimo karkasai: PyTest, unittest, nose2, ir kitų įrankių palyginimas; Testų Automatizavimas: Automatinio testavimo įrankių taikymas; Testavimo atvejai su duomenų bazėmis; Duomenų srautų ir servisų testavimas; Testavimo metrikos; Praktinis Testavimas: Projektas.
|
Duration of the learning programme
Duration of the learning programme: 492 (ac. h.)
Duration of practical contact work: 354 (ac. h.)
Duration of theoretical contact work: 138 (ac. h.)
Duration of self-employment: 0 (ac. h.)
Assessment
System / scale of assessment of acquired competencies: 1-10.
Important information
Way of learning
-
Place
-
Language
-
Aukštos pridėtinės vertės programa
No
Minimum requirements for the participant
Education
Vidurinis išsilavinimas
Timetables
Šiuo metu grupių nėra.Ratings
There are no ratings at the moment.Kainų istorija
Top programmes
UAB "Alfa klasė"
Anglų kalba A1
4.8
(106)
Learning begins:
Tikslinama
60 (ac. h.)
Price from:
Tikslinama
UAB Alfabet education
Anglų kalba A1-A2 lygiu pradedantiesiems
4.8
(696)
Learning begins:
Tikslinama
60 (ac. h.)
Price from:
Tikslinama
UAB "Alfa klasė"
Anglų kalba A2
4.7
(145)
Learning begins:
Tikslinama
90 (ac. h.)
Price from:
Tikslinama
Viešoji įstaiga "UŽSIENIO KALBŲ MOKYMO CENTRAS"
Anglų kalbos mokymo programa. A1 lygis
4.8
(228)
Learning begins:
Tikslinama
74 (ac. h.)
Price from:
Tikslinama
Viešoji įstaiga "Švietimo pagalbos projektai"
Ankstyvoji pagalba vaikams, turintiems raidos (autizmo spektro) sutrikimų
4.9
(263)
Learning begins:
Tikslinama
65 (ac. h.)
Price from:
Tikslinama
UAB FastTrack LT
Dirbk produktyviau su Dirbtiniu Intelektu: ChatGPT, BARD, Gemini ir kiti
4.6
(193)
Learning begins:
Tikslinama
54 (ac. h.)
Price from:
Tikslinama
Verslo ir svetingumo profesinės karjeros centras
Individualios priežiūros darbuotojo, dirbančio su neįgaliais ir senyvo amžiaus asmenimis, mokymo programa
4.8
(203)
Learning begins:
Tikslinama
160 (ac. h.)
Price from:
Tikslinama
UAB "Alfa klasė"
Italų kalba ir kultūra A1
4.7
(167)
Learning begins:
Tikslinama
60 (ac. h.)
Price from:
Tikslinama
MB Išmani edukacija
Kompiuterinis ir skaitmeninis raštingumas
4.8
(218)
Learning begins:
Tikslinama
54 (ac. h.)
Price from:
Tikslinama
Scroll to the top