Data Science with Python

Python ilə Data Science öyrənin!
Bu təlimdən sonra Python vasitəsilə müxtəlif data növləri ilə işləməyi, datanı təmizləməyi və analiz üçün hazır vəziyyətə gətirməyi, statistik analizlər etməyi, müxtəlif modellər qurmağı və onları vizuallaşdırmağı, datanıza əsasən gələcək trendləri proqnozlaşdırmağı bacaracaqsınız. 

Coşqun Hüseynov – Qafqaz Universitetindən məzun olmuşdur. Paşa Sığortada Aktuari şöbəsində Agile komandasında Data Science və Aktuari üzrə Chapter Leader olaraq çalışır. Daha əvvəl Sumqayıt Texnologiya Parkı (STP)-da Konstruksiya Texnologiyaları departamentində Data Analitik olaraq çalışmışdır. Çalışdığı müddət ərzində Python ilə layihələrin avtomatlaşdırılmasını həyata keçirmişdir. Hazırda Paşa Sığortada Prediktiv modellərin qurulması, məlumatların avtomatlaşdırılması, dataların təmizlənməsi, interaktiv vizuallaşdırma və reportların hazırlanması ilə məşğuldur. Bununla yanaşı, Machine Learning alqoritmlərindən ibarət bir startup üzərində çalışmaqdadır.

Təlim müddətində mövzular praktiki tətbiq üzərindən izah olunacaq. Həftəlik və aylıq testlərlə mövzuların mənimsənilməsi ölçüləcək. Təlim iştirakçıları müxtəlif keyzlər üzərində praktiki olaraq işləyəcəklər. Həmçinin, hər dərsin sonunda ev tapşırıqları ilə keçilən mövzular daha da möhkəmləndiriləcək. Təlimin sonunda iştirakçılar 2 ay ərzində öyrəndikləri bacarıqları tətbiq edərək onlara verilmiş proyekt üzərində işləyəcəklər. Təlim proqramı ərzində iştirakçılara mentorluq dəstəyi də göstəriləcək. Dərslərə davamiyyət və keçirilən testlərin nəticələrinə əsasən iştirakçılar sertifikatla təmin olunacaqdır.

Statistik və riyazi modelləşdirmə ilə məşğul olanlar, Data Science, Data Analitikası, Biznes Analitikası, Marketing Research, Maliyyə Analitikası və Risklərin İdarə Olunması, Proseslərin avtomatlaşdırılması, Aktuari, Sığorta və Bank sahəsində çalışanlar və çalışmaq istəyənlər.

Chapter 1 - Programming basics

Lesson 1 

• Understanding variables

• Aggregation and working with variables

• Using variables

Lesson 2 

• Loops and statements

• While Loop

• For Loop

• If Statement

Lesson 3 

• Practice

• Quiz Chapter 1

Chapter 2 - Statistics

Lesson 4 

• Introduction to Statistics

• Distributions

• Population and sampling

• Explanatory data analysis

• Measure of Central Tendency & Variabilities

• Quartiles for decision making

• Characteristics of Visualization

• Correlation

• Hypothesis testing

Lesson 5 

• Practice

Chapter 3 - Fundamentals of Python

Lesson 6 

• Python conceptions

• List

• Tuples

• Functions

• Packages

• Numpy library

• Arrays

• Slicing

Lesson 7 

• Matrices

• Dictionaries

• User defined functions

• Try except

Lesson 8 

• Practice

• Quiz

Chapter 4 - DataFrames

Lesson 9 

• Pandas library

• Importing & adjusting Dataframe

• Explore data with pandas parameters

• Subsetting pieces for analyze

• Operations on columns

Lesson 10 

• Advanced Filtering DataFrame

• Integer & Labeled locations for Filters

Lesson 11 

• Practice

• Quiz 

Chapter 5 - Data Cleaning

Lesson 12 

• Importance of Data Cleaning

• Duplicates variables

• Explore & Detect problems

• Dealing with Data types

• Missing values o Irrelevant columns

  • Summarizing and Replacing missing values

  • Unexpected missing values

  • Standard, Non-Standard missing values

Lesson 13 

• Standarize Data o Untidy characters o Cleaning process with Strings

  • Dealing different types of Datetimes

• Analytics Approach

  • Merge & Concatenate

  • Groupby Method for advanced Analyze & Decisions

  • Working with sorting & indexes

Lesson 14 

• Data Analytics Practice

• Data Analytics Quiz

Lesson 15

• Case Project Practice

Chapter 6 - Data Mining

Lesson 16 

• Understanding Data Mining

• Introduction to Web Scraping

• BeautifulSoup, Request libraries

• Scraping real world data

• SQL connection in Python

Lesson 17 

• Practice

• Quiz
   

Chapter 7 - Introduction to Machine Learning

 Lesson 18 

• What is Artificial Intelligence (AI)  & Machine Learning (ML) ?
• Workflow in ML

• Characteristics of Regression, Classification, Clustering models

• Preperation tools for Predictive models

• Encoding dummy variables
  • Train-test identification
  • Standard scaling
  • Handling with dependent & independent variables

Lesson 19 

• Linear Regression Model

  • Data Preprocessing

  • Building Model
  • Evaluating
• Logistic Regression Model

• • Data Preprocessing

  • Building Model

  • Evaluating

Lesson 20

• Practice 

Lesson 21

• Building regression models (Random Forest, Decision Tree)

• Building classification models (XGBoost, LightGBM, Random Forest)

Lesson 22 

• Practice 

• Quiz

Lesson 23 

• Practice

Lesson 24 

• Final Quiz

• Final Case Project