Просмотр кода страницы Экономика впечатлений: Введение в Data Science

= О курсе =

Цель учебной дисциплины - познакомить студентов с основными концепциями и методами анализа данных и машинного обучения. 

Учимся:
* работать с питоном
* понимать основные понятия Data Science
* знать основные методы AI
* отличать кластеризацию от регрессии
* подбирать подходящую визуализацию


= Программа =

'''Тема 1. Введение. Что такое Data Science.'''
* Введение в Artificial intelligence, Data Science, Machine Learning, Deep Learning, Big Data. 
* Какие сейчас выполняются задачки в туристическом IT-бизнесе с использованием AI и ML? 
* Какие возможности на рынке труда открывают перед тобой навыки работы с данными. SAAS бизнес.
* Обзор инструментов и библиотек, которыми будем пользоваться: Python, введение в pandas.
* Домашка: Посмотреть внимательно несколько ноутбуков в питоне. Введение в pandas, датасет по бронированиям

'''Тема 2. Краткий курс нужной математики для Data Science'''
* Теория вероятностей: вероятность, распределение, характеристики распределений. 
* Математическая статистика: выборка, типы выборок. Описательная статистика, меры центральной тенденции. Среднее, мода, медиана, стандартное отклонение, процентили, минимум, максимум. 
* Пакет Pandas
* Небольшое дз в питоне №1: небольшие задачки на описательную статистику, использование pandas 

'''Тема 3. Визуализация данных''' 
* Основные виды графиков: гистограмма, bar chart, scatterplot. Использование графиков при подготовке данных.
* Зачем нужна визуализация данных в бизнесе
* Основные ошибки при визуализации
* Небольшое дз в питоне №2

'''Тема 4. Регрессия'''
* Определение регрессии, нулевая гипотеза, ошибки первого и нулевого рода.
* Метрики регрессии: MAE, MAPE, MSE, R2
* Описание и постановка задач для регрессии

Небольшое дз в питоне №3

'''Тема 5. Классификация: KNN, Алгоритм решающих деревьев'''
* Определение классификации, метрики: доля правильных ответов (accuracy), точность (precision), полнотa (recall). PR-кривая. ROC-кривая. 
* Обучение с учителем и без учителя. Валидация.
* Задачи классификации
* Алгоритмы классификации и их отличия
* Небольшое дз в питоне №4

'''Тема 6. Анализ текстовых данных''' 
* Подробное изучение бизнес-кейса с тональностью комментариев к отелям с Tripadvisor
* Распознавание текста комментариев и их тональности. Изучение библиотек работы с текстом. Метод сбора данных из открытых источников. 
* Разметка комментариев по тональности
* Обучение модельки, которая выявляет тональности у комментариев на размеченной выборке
* Применение модельки на новых комментариях
* Оценка результатов
* Дз в питоне №5: Накидать новые переменные в разобранную на семинаре модель, описать получившийся результат

'''Тема 7. Защита проектов с применением машинного обучения'''
* Необходимо разобрать реальный бизнес-кейс, который был решён при помощи машинного обучения и искусственного интеллекта.
* Описать бизнес-задачу, использованные методы и результаты.

= Презентации =

[https://docs.google.com/presentation/d/17nhXQDFA8b9dwhMfahpeRVVLMMP4DVuaUlrRgNeB-o0/edit?usp=sharing Тема 1. Введение]

[https://docs.google.com/presentation/d/1BPalI7npGd8Xiyk5tGpdyZ5RMX5Yx3RdMz3k2nstKf0/edit?usp=sharing Тема 2. Краткий курс нужной математики и статистики для Data Science]


= Домашка = 
'''Тема 1. Введение. Что такое Data Science'''
# [https://postnauka.ru/faq/46974 Big Data]
# [https://habr.com/ru/post/401857/ Разница между AI, ML, DL]
# [https://blogs.oracle.com/russia/ai-ml-dl-differ Разница между AI, ML, DL 2] 
# [https://habr.com/ru/post/414165/ Курс о Deep Learning на пальцах]
Посмотреть три питоновских ноутбука: 
# A quick tour of IPython Notebook
# PythonTutorial
# Reading from a csv (это больше для домашки)