Zacznij ogarniać ML.
Odkryj Data Science.

- Wstęp do kursu — poznasz założenia kursu i zobaczysz, jak traktować Data Science jako rozwinięcie kompetencji analitycznych.

- Czym właściwie jest Data Science — zrozumiesz, czym jest Data Science oraz jak łączy statystykę, programowanie i wiedzę domenową.

- Ekosystem Pythona — Pandas, NumPy, scikit-learn — poznasz najważniejsze biblioteki używane w Data Science i zobaczysz, do czego służą w praktyce.

- Setup praca w Google Colab cz. 1 — przygotujesz środowisko pracy w Google Colab i zrobisz techniczny start do pracy w notebookach.

- Setup praca w Google Colab cz. 2 — przejdziesz przez tworzenie notebooka, komórki kodu i tekstu, Markdown, ładowanie pliku CSV, pracę z Pandas oraz użycie wbudowanego agenta AI.

- Statystyki opisowe cz. 1 — załadujesz dataset diamentów, sprawdzisz kolumny, typy danych, braki, duplikaty i pierwsze statystyki.

- Statystyki opisowe cz. 2 — rozwiniesz interpretację rozkładów, miar centralnych, zmienności i wizualizacji danych.

- Wykrywanie wartości odstających cz. 1 — poznasz outliery, metodę IQR, boxploty oraz strategie: usuń, zostaw, przekształć albo wydziel.

- Wykrywanie wartości odstających cz. 2 — pogłębisz praktyczne decyzje dotyczące wartości odstających i ich wpływu na późniejsze modelowanie.

- Korelacje między zmiennymi cz. 1 — poznasz korelację Pearsona i Spearmana, zbudujesz macierz korelacji, heatmapę i zobaczysz problem multikolinearności.

- Korelacje między zmiennymi cz. 2 — rozwiniesz interpretację relacji w danych oraz zależności między cechami numerycznymi i kategorycznymi.

- Przygotowanie danych do modelu — poznasz pełny pipeline przygotowania danych: czyszczenie, encoding, podział, skalowanie i modelowanie.

- Obsługa brakujących danych cz. 1 — nauczysz się wykrywać, wizualizować i rozumieć braki danych oraz poznasz MCAR, MAR, MNAR, dropna, fillna, imputację i flagi braków.

- Obsługa brakujących danych cz. 2 — pogłębisz wybór strategii obsługi braków w zależności od ich przyczyny i wpływu na model.

- Kodowanie danych kategorycznych cz. 1 — zrozumiesz, dlaczego modele ML potrzebują liczb i poznasz Label Encoding, One-Hot Encoding, Ordinal Encoding oraz Target Encoding.

- Kodowanie danych kategorycznych cz. 2 — rozwiniesz praktyczne zastosowanie encoderów i dobór metody do konkretnego typu danych.

- Podział zbioru danych na zbiór treningowy i testowy cz. 1 — poznasz train_test_split, X i y, test_size, random_state oraz stratify.

- Podział zbioru danych na zbiór treningowy i testowy cz. 2 — rozwiniesz praktyczne aspekty proporcji podziału, walidacji i ryzyka wielokrotnego podglądania zbioru testowego.

- Skalowanie cech (Feature Scaling) cz. 1 — poznasz StandardScaler, MinMaxScaler i RobustScaler oraz zasadę wykonywania fit tylko na zbiorze treningowym.

- Skalowanie cech (Feature Scaling) cz. 2 — pogłębisz temat wyboru skalera, wpływu outlierów i poprawnej kolejności operacji w pipeline.

- Na czym polega uczenie nadzorowane i nienadzorowane — poznasz supervised learning i unsupervised learning oraz różnice między regresją, klasyfikacją, klasteryzacją i wykrywaniem anomalii.

- Regresja liniowa cz. 1 — wytrenujesz Linear Regression na danych o diamentach i poznasz metryki MAE, RMSE oraz R².

- Regresja liniowa cz. 2 — rozwiniesz interpretację wyników, współczynników modelu i jakości predykcji.

- Klasyfikacja cz. 1 — poznasz regresję logistyczną, próg decyzyjny, confusion matrix, accuracy, precision, recall i F1 score.

- Klasyfikacja cz. 2 — pogłębisz praktykę trenowania i oceny modeli klasyfikacyjnych oraz interpretowania wyników.

- Klasteryzacja (clustering) cz. 1 — poznasz K-Means, klastrowanie hierarchiczne, dendrogram, metodę łokcia, centroidy i interpretację klastrów.

- Klasteryzacja (clustering) cz. 2 — rozwiniesz praktyczną interpretację segmentów i wizualizację wyników grupowania.

- Inne modele ML — zobaczysz wprowadzający przegląd XGBoost, Deep Learning, NLP i Reinforcement Learning.

- Wstęp do scikit-learn cz. 1 — poznasz Estimator API, estymatory, parametry, atrybuty, transformery, predyktory oraz metody fit, transform, predict i score.

- Wstęp do scikit-learn cz. 2 — rozwiniesz pracę z dokumentacją, parametrami modeli i schematem korzystania z różnych estymatorów.

- Pierwszy projekt uczenia maszynowego cz. 1 — przejdziesz przez kompletny projekt regresyjny na danych o używanych samochodach: EDA, czyszczenie, feature engineering, encoding, train/test split, scaling i trenowanie modeli.

- Pierwszy projekt uczenia maszynowego cz. 2 — rozwiniesz porównanie modeli, interpretację wyników i możliwe kierunki poprawy modelu.

- AI w Data Science (API OpenAI) cz. 1 — skonfigurujesz API OpenAI i wykorzystasz AI do interpretacji danych, statystyk, korelacji, feature engineeringu i wyników modeli.

- AI w Data Science (API OpenAI) cz. 2 — rozwiniesz praktyczne użycie AI jako wsparcia w analizie, komentowaniu wyników i pracy w notebooku.