მონაცემთა მეცნიერება
კურსის აღწერა
დღევანდელ სამყაროში ინფორმაცია ყოველწამიერად გროვდება, შესაბამისად დღესდღეობით ძალიან დიდი მოცულობის და მრავალფეროვანი მონაცემები არსებობს. მონაცემთა მეცნიერება გვეხმარება, რომ შევძლოთ ამ დიდი მონაცემების ანალიზი ისე, რომ ის მნიშვნელოვანი და ღირებული გავხადოთ. მსოფლიოს დიდი კომპანიების უმეტესობა მონაცემებით არის მართული, რაც ნიშნავს იმას, რომ მნიშვნელოვანი გადაწყვეტილებები სწორედ მონაცემთა ანალიზზე დაყრდნობით მიიღება.
მონაცემთა მეცნიერება შეიძლება განვმარტოთ, როგორც მათემატიკის, ბიზნესის, ალგორითმებისა და მანქანური სწავლების (Machine Learning) ტექნიკების ერთობლიობა, რომელიც გვეხმარება, ვიპოვოთ მონაცემებში არსებული კანონზომიერებები და გავაკეთოთ აღმოჩენები, რომელიც ორგანიზაციებისთვის გადაწყვეტილების მიღებას მნიშვნელოვნად გაამარტივებს და ეფექტურს გახდის.
კურსის ფარგლებში შევეხებით მონაცემთა მეცნიერების ყველა მნიშვნელოვან მიმართულებას. მონაცემთა ანალიზისთვის ყველაზე ხშირად გამოყენებადი პროგრამირების ენის, Python-ის გამოყენებით დავფარავთ მონაცემთა მეცნიერების სრულ ციკლს – მონაცემთა პირველადი დამუშავება, მოდელირებისთვის მომზადება, მანქანური და ღრმა დასწავლის ალგორითმების აგება, გაწვრთნა, გამოყენება და პროდუქტად ქცევა (SaaS).
კურსის გავლის შემდეგ შეგეძლება
- ისეთი ცნებების გააზრება, სწორად გამოყენება და ბიზნესისთვის გადმოცემა, როგორიც არის: ხელოვნური ინტელექტი (AI), მანქანური სწავლება (Machine Learning), ღრმა სწავლება (Deep Learning), მონაცემთა მეცნიერება (Data Science)
- იმის განსაზღვრა, თუ რა შემთხვევებში არის საჭირო რთული მანქანური სწავლების (Machine Learning) ალგორითმების გამოყენება და რა შემთხვევაშია საკმარისი მარტივი მონაცემთა ანალიზი
- დიდი ზომის მონაცემების (Big Data) დამუშავება Python-ის გამოყენებით
- დიდი ზომის მონაცემთა ანალიზისთვის საჭირო ძირითადი Python-ის ბიბლიოთეკების გამოყენება: Numpy, Pandas, Matplotlib, Spark
- მანქანური დასწავლის ალგორითმების აგება, გაწვრთნა, გამოყენება და რეალურ ბიზნეს პრობლემებზე მორგება
- აგებული მოდელების პროდუქტად ქცევა
ვისთვის არის კურსი
კურსი განკუთვნილია მათთვის, ვისაც უნდა, რომ 0-დან ისწავლოს მონაცემთა მეცნიერება და შეძლოს ამის გამოყენება მიმდინარე ან ახალ საქმიანობაში. მათთვის, ვისაც აქვს გამოცდილება მონაცემთა ანალიტიკასთან, თუმცა არ აქვთ პროგრამირების და მანქანური სწავლების ალგორითმების გამოყენების გამოცდილება. მათ შორის შეიძლება იყოს:
1. ანალიტიკოსი, ვინც იყენებს ანალიტიკურ ხელსაწყოებს (Excel, SQL, Power BI და სხვა), აკეთებს ანალიტიკურ რეპორტებს და სურს პროგრამირების სწავლა;
2. ის, ვისაც აქვს ანალიტიკური/მათემატიკური ფორმალური ან/და არაფორმალური განათლება
3. პროგრამისტი, ვისაც აქვს კოდის წერის გამოცდილება და სურს ხელოვნური ინტელექტის შესწავლა
შერჩევის ეტაპი მოიცავს ინდივიდუალურ გასაუბრებას.
კურსი მოიცავს
კურსი მოიცავს პრაქტიკაზე დაფუძნებულ სწავლებას, რაშიც იგულისხმება დავალებები / სავარჯიშოები და ინდივიდუალური პროექტი.
პროგრამის განმავლობაში მიიღებ რჩევებსა და კონსულტაციებს კარიერული დაგეგმვის კუთხით. მისი წარმატებით დასრულების შემთხვევაში კი გექნება კარიერული მხარდაჭერა Commschool-ის პარტნიორი კომპანიებისგან, რაც გამოიხატება ექსკლუზიურ სამუშაო შემოთავაზებებსა და სტაჟირებაში.
კურსის წარმატებით დასრულების შემდეგ სტუდენტი მიიღებს ორენოვან სერტიფიკატს.
კურსს გაუძღვება:
შოთა ელყანიშვილი
დეტალები: მონაცემთა მეცნიერება
|
შეფასებები
შეაფასე პირველმა: “მონაცემთა მეცნიერება” კომენტარის გაუქმება
-
1. მონაცემთა მეცნიერების ზოგადი მიმოხილვა
-
2. პროგრამირების შესავალი Python-ში (ნაწილი 1)
-
3. პროგრამირების შესავალი Python-ში (ნაწილი 2)
-
4. პროგრამირების შესავალი Python-ში (ნაწილი 3)
-
5. Python-ის ბიბლიოთეკა NumPy
-
6. შესავალი Pandas-ში
-
7. ოპერაციები და Advanced Pandas
-
8. Pandas და SQL
-
9. Exploratory Data Analysis (EDA)
-
10. ვიზუალიზაციის ბიბლიოთეკები Python-ში
-
11. მონაცემების მოპოვება გარე წყაროებიდან
-
12. Big Data
-
13. მანქანური სწავლების თეორია
-
14. შესავალი მანქანური სწავლების ალგორითმებში
-
15. კლასიფიკაციის ამოცანა I
-
16. კლასიფიკაციის ამოცანა II
-
17. განზომილების შემცირების მეთოდები
-
18. კლასტერიზაციის ამოცანა
-
19. ჰიპერპარამეტრების ოპტიმიზაცია
-
20. ცვლადების ინჟინერია I
-
21. ცვლადების ინჟინერია II
-
22. მოდელის ახსნადობა
-
23. შესავალი Deep Learning-ში
-
24. მოდელების აგება Keras-ის გამოყენებით
-
25. რეკურენტული ნეირონული ქსელები
-
26. კონვოლუციური ნეირონული ქსელი
-
27. State Of The Art არქიტექტურები Deep Learning-ში
-
28. რეკომენდაციის სისტემები
-
29. დროითი მწკრივების ანალიზი
-
30. მოდელის პროდუქტად ქცევა (Deployment) I
-
31. მოდელის პროდუქტად ქცევა (Deployment) II
-
32. ფინალური პროექტი
₾2,500
მსგავსი კურსები
SEO/SEM
UX & UI დიზაინის კურსი
ვებპროგრამირება JavaScript
₾2,500
შეფასებები ჯერ არ არის.