Apie mokymus

Mokymų teikėjo pateikta informacija

Anotacija

Rodyti daugiau Rodyti mažiau

Duomenų mokslas su Python yra sritis, kurioje naudojamas Python programavimo kalbos ekosistemos įrankių komplektas, siekiant gauti prasmingas įžvalgas iš duomenų. Python suteikia galingas bibliotekas, tokias kaip NumPy, Pandas, ir scikit-learn, leidžiančias efektyviai manipuliuoti, analizuoti ir modeliuoti duomenis. Šios technologijos plačiai naudojamos duomenų mokslo projektuose, pradedant nuo duomenų analizės ir baigiant mašininio mokymosi modeliavimu. Python taip pat populiarus dėl paprastumo, lankstumo ir didelės bendruomenės paramos, todėl tampa puikiu pasirinkimu dirbant su duomenų mokslu. Baigęs šiuos mokymus dalyvis galės pradėti savo karjerą pradedančiojo Python programuotojo, arba duomenų analitikos specialisto pozicijoje.

Svarbi informacija

Mokymosi būdas

Vieta

Kalba

Minimalūs reikalavimai dalyviui

Išsilavinimas

Vidurinis išsilavinimas

Įgyjamos ir tobulinamos kompetencijos

Bendrosios kompetencijos:

Skaitmeninė kompetencija

Asmeninė, socialinė ir mokymosi mokytis kompetencija

Profesinės kompetencijos:

Taikyti programinės įrangos kūrimui naudojamus informatikos principus ir metodus.

Projektuoti tipines reliacines ir nereliacines (NoSQL) duomenų bazes

Kurti tipinę programinę įrangą

Mokymosi programos turinys

Temos pavadinimas	Trumpas temos aprašymas
Temos pavadinimas Baigiamasis darbas	Trumpas temos aprašymas 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.
Temos pavadinimas Duomenų klasterizavimas ir klasifikavimas	Trumpas temos aprašymas 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.
Temos pavadinimas Projektas: Duomenų mokslas ir mašininis mokymasis	Trumpas temos aprašymas 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.
Temos pavadinimas Gilieji neuroniniai tinklai	Trumpas temos aprašymas 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.
Temos pavadinimas Mašininis mokymasis	Trumpas temos aprašymas 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.
Temos pavadinimas Python programavimo pagrindai	Trumpas temos aprašymas 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;
Temos pavadinimas Web scraping principai	Trumpas temos aprašymas 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;
Temos pavadinimas Karjeros startui – minkštieji įgūdžiai (soft skills)	Trumpas temos aprašymas 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.
Temos pavadinimas Objektinio programavimo naudojimas duomenų analizėje	Trumpas temos aprašymas 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.
Temos pavadinimas Pandas biblioteka	Trumpas temos aprašymas 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.
Temos pavadinimas Objektinis programavimas	Trumpas temos aprašymas 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.
Temos pavadinimas Duomenų parengimas su ,,Python" sąsaja su ,,SQL"	Trumpas temos aprašymas 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.
Temos pavadinimas Versijavimo kontrolės sistema GIT	Trumpas temos aprašymas 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.
Temos pavadinimas Testavimas su Python	Trumpas temos aprašymas 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.