Data Science на Python
Полный курс по анализу данных, машинному обучению и визуализации на Python. Data Science — одна из самых востребованных и высокооплачиваемых IT-специальностей.
В разделе вы изучите ключевые библиотеки: NumPy (быстрые числовые массивы, линейная алгебра, случайные числа), Pandas (основной инструмент для работы с табличными данными: DataFrame, Series, обработка пропусков, группировки, слияния, фильтрация, агрегация), Matplotlib и Seaborn (статическая визуализация: линейные, столбчатые, точечные диаграммы, тепловые карты, гистограммы), Plotly (интерактивные графики с зумом, анимацией, подсказками), scikit-learn (машинное обучение: классификация, регрессия, кластеризация, отбор фичей, подбор гиперпараметров, кросс-валидация, метрики), PyTorch и TensorFlow (глубокое обучение: нейронные сети, компьютерное зрение, NLP, трансформеры), OpenCV (обработка изображений и видео: фильтры, детекция лиц, распознавание объектов), NLTK и spaCy (обработка естественного языка: токенизация, стемминг, лемматизация, NER, анализ тональности).
Также разбираем Jupyter Notebook и Jupyter Lab — интерактивную среду для прототипирования и анализа данных. Отдельно работа с временными рядами (Pandas DatetimeIndex, скользящие окна, ARIMA) и Feature engineering (создание новых признаков, масштабирование, кодирование категорий). Подходит как для начинающих аналитиков, так и для опытных ML-инженеров.
Все уроки сопровождаются реальными датасетами, заданиями и проектами-портфолио (анализ продаж, предсказание цен на жильё, классификация клиентов). Начните карьеру в Data Science с нашими структурированными курсами и станьте востребованным специалистом.
Scikit-learn
Matplotlib / Seaborn
Scikit-learn
Matplotlib / Seaborn
Scikit-learn
Matplotlib / Seaborn
Scikit-learn
Изучите построение круговых диаграмм в Matplotlib с помощью функции pie(). Визуализация долей и процентных соотношений. Настройка цветов, добавление процентов, подписей, выделение секторов (explode). Создание кольцевых диаграмм (donut charts).
Изучите все способы сортировки и ранжирования данных в Pandas: sort_values() для сортировки по одной или нескольким колонкам, параметры ascending и inplace. Ранжирование данных с помощью rank(): методы average, min, max, first, dense.
Изучите ключевые метрики для оценки моделей классификации в Python: accuracy (точность), precision (точность), recall (полнота) и F1-score. Разбираем, что означает каждая метрика, когда какую выбирать, как интерпретировать результаты.
Изучите построение гистограмм в Matplotlib с помощью функции hist(). Визуализация распределения данных, оценка плотности вероятности. Настройка количества бинов (bins), цвета, прозрачности, добавление границ. Нормализация гистограммы (density=True) для
Изучите все способы группировки данных в Pandas с помощью groupby() — аналог SQL GROUP BY. Разбираем группировку по одной и нескольким колонкам, применение агрегирующих функций (sum, mean, count, min, max, std) через agg(). Создание пользовательских агрегаций
Изучите все способы замены значений в Pandas: replace() для замены конкретных значений в DataFrame, map() для преобразования значений в колонке с помощью словаря или функции. Разбираем замену нескольких значений одновременно, использование регулярных
Изучите ключевые метрики для оценки регрессионных моделей в Python: MAE (средняя абсолютная ошибка), MSE (среднеквадратическая ошибка), RMSE (корень из среднеквадратической ошибки) и R² (коэффициент детерминации). Разбираем, что означает каждая метрика
Изучите построение столбчатых диаграмм (bar charts) в Matplotlib с помощью функции bar(). Визуализация сравнения категорий, отображение распределений. Настройка цвета, ширины и границ столбцов. Группированные и стековые столбчатые диаграммы.
Изучите все способы обработки пропущенных значений (NaN) в Pandas: обнаружение пропусков с помощью isnull() и notnull(), удаление строк и колонок с пропусками через dropna(), заполнение пропусков значениями через fillna() (константами, средним, медианой, предыдущим значением).
Изучите логистическую регрессию — один из основных алгоритмов для задач бинарной классификации. Разбираем, как сигмоидная функция преобразует линейную регрессию в классификатор, возвращая вероятности от 0 до 1. Пошаговая реализация на Python с scikit-learn
Изучите построение точечных графиков (scatter plots) в Matplotlib с помощью функции scatter(). Визуализация взаимосвязей между двумя переменными, поиск корреляций и выбросов. Настройка цвета, размера и прозрачности точек, добавление цветовой шкалы для третьей переменной.
Изучите все способы добавления и удаления колонок в Pandas: создание нового столбца через присваивание df['новая'] = значение, использование insert() для вставки на нужную позицию, удаление через drop() по имени или позиции. Разбираем работу с assign()
Изучите линейную регрессию — один из фундаментальных алгоритмов машинного обучения. Понимание взаимосвязей между переменными, математическая формула, метод наименьших квадратов. Пошаговая реализация на Python с использованием scikit-learn: загрузка данных
Изучите построение линейных графиков в Matplotlib с помощью функции plot(). Настройка цвета, стиля, толщины и маркеров линии. Как отобразить несколько линий на одном графике, добавить легенду, настроить оси и сетку. Практические примеры: визуализация
Изучите все способы фильтрации данных в Pandas: булева индексация с помощью df[условие], комбинирование нескольких условий через & (И) и | (ИЛИ), использование метода query() для читаемых запросов, фильтрация по списку значений через isin().
Узнайте, как преобразовывать категориальные данные в числовой формат для машинного обучения с помощью OneHotEncoder и LabelEncoder из scikit-learn. Разбираем, когда использовать каждый метод: LabelEncoder для целевой переменной и порядковых данных, OneHotEncoder
Изучите настройку фигур в Matplotlib: как задать размер графика (figsize), разрешение (dpi), добавить заголовок (title), подписи осей (xlabel, ylabel), настроить шрифты, сетку и легенду. Разбираем работу с plt.figure() и параметрами subplots, настройку
![Выбор колонок и строк: [] vs loc vs iloc](https://imi-ds.ru/wp-content/uploads/2026/08/vybor-kolonok-i-strok-vs-loc-vs-iloc-870x400.webp)
Изучите три способа выбора данных в Pandas: квадратные скобки [] (по названию колонки), loc (по названиям строк и столбцов) и iloc (по числовым индексам). Разбираем, когда использовать каждый метод, как выбирать отдельные колонки, срезы строк и столбцов, комбинированные условия.
Изучите два основных метода масштабирования данных в scikit-learn: StandardScaler (стандартизация) и MinMaxScaler (нормализация). Разбираем, как работает каждый метод, формулы преобразования, когда какой применять. StandardScaler делает среднее 0 и дисперсию
Изучите, как установить Matplotlib — библиотеку для визуализации данных на Python. Создайте свой первый график: линейный, точечный и столбчатый. Настройте размер, подписи осей, заголовок и сетку. Разбираем основные параметры plot(), работу с figure и axes.
Изучите основные методы Pandas для первичного анализа данных: head() и tail() для просмотра первых и последних строк, info() для получения информации о типах и пропусках, describe() для статистического описания числовых колонок.
Изучите, как правильно разделять данные на обучающую (train) и тестовую (test) выборки в Python с помощью функции train_test_split из scikit-learn. Разбираем параметры: test_size, train_size, random_state, stratify. Почему важно разделять данные перед
Изучите все способы создания DataFrame в Pandas: из CSV-файла (pd.read_csv), из Excel-файла (pd.read_excel), из словаря Python, из списка словарей, из списка списков. Разбираем параметры чтения: разделители, кодировка, пропуск строк, выбор колонок.
Узнайте, как установить scikit-learn (sklearn) — популярную библиотеку для машинного обучения на Python. Разберём, что такое scikit-learn, какие задачи она решает: классификация, регрессия, кластеризация. Покажем, как проверить установку, загрузить встроенный
Изучите, что такое DataFrame в библиотеке Pandas — основная структура данных для анализа данных в Python. Узнайте, как создать DataFrame из словаря, CSV и Excel, как просматривать данные через head(), tail(), info(), выбирать колонки и строки с помощью loc и iloc.
Установка Pandas и изучение Series — одномерного массива данных с индексами. Создание Series из списков, словарей, скалярных значений. Доступ к данным по индексу и позиции. Базовые операции и атрибуты Series. Урок для начинающих.
Изучите broadcasting в NumPy — механизм, позволяющий выполнять операции с массивами разных форм. Правила broadcasting, примеры с векторами и матрицами, практическое применение. Разбор частых ошибок. Урок для продолжающих.
Изучите статистические функции в NumPy: sum (сумма), mean (среднее), std (стандартное отклонение), min/max (минимум/максимум), cumsum (накопленная сумма). Вычисления по осям (axis), практические примеры. Урок для продолжающих.
Изучите универсальные функции (ufunc) в NumPy: тригонометрические (sin, cos, tan), экспоненциальные (exp, expm1), логарифмические (log, log10, log2). Поэлементные операции с массивами. Ускорение вычислений по сравнению с Python-циклами.
Изучите векторизованные операции в NumPy: выполнение операций над целыми массивами без явных циклов. Ускорение вычислений, универсальные функции (ufunc), broadcasting. Сравнение производительности с Python-циклами. Практические примеры. Урок для продолжающих.
Изучите изменение формы массивов в NumPy: reshape для изменения размерности, ravel и flatten для преобразования в одномерный массив. Отличия между ravel и flatten (view vs copy). Практические примеры и частые ошибки. Урок для продолжающих.
Изучите булеву индексацию и fancy indexing в NumPy: выбор элементов по условиям, фильтрация данных, индексация списками и массивами. Практические примеры. Урок для продолжающих.
Изучите индексацию и срезы в NumPy: доступ к элементам по индексам, многомерные срезы (slicing), выборка по шагу. Булева индексация для фильтрации данных. Особенности работы с views и копиями. Практические примеры. Урок для продолжающих.
Изучите основные атрибуты массивов NumPy: shape (размерность), size (количество элементов), dtype (тип данных), ndim (число измерений). Как использовать эти атрибуты для анализа структуры массива. Различия между shape и size. Практические примеры.
Изучите все способы создания массивов в NumPy: array() из списков, zeros() и ones() для заполненных массивов, arange() для последовательностей. Примеры одномерных и многомерных массивов. Различия между функциями. Практические примеры. Урок для начинающих.
Установка NumPy и создание первого массива в Python: создание виртуального окружения, установка NumPy через pip, импорт библиотеки. Создание массивов из списков, использование функций array(), zeros(), ones(), arange(). Основные атрибуты массивов: shape, size, dtype, ndim.