Data Science with Python

Size: px

Start display at page:

Download "Data Science with Python"

Baldwin Palmer
6 years ago
Views:

1 אודות הקורס: Data Science with Python קורס 170 שעות 7717 ( 120 שעות לימוד פרונטליות + 50 עבודה עצמית בבית( בעולם בו כמויות המידע הזורמות לארגון ונשמרות במאגרי הנתונים, הולך ומתעצם, גובר הצורך למצות את היתרון העסקי מחקר הנתונים והפיכתם לתובנות עסקיות. מדען הנתונים מתמחה בניתוח נתונים, לשם יצירת יתרון עסקי תחרותי לארגון. לצורך כך הוא נדרש לבקיאות במגוון כלי אנליזה, מודלים סטטיסטיים, אלגוריתמים של למידת מכונה, כריית נתונים וחיזוי. כחלק מעבודתו, מדען הנתונים נדרש להתמודד עם מגוון רחב של מקורות מידע, מידע גולמי, נתונים מובנים ושאינם מובנים. ביכולתו לחשוף תבניות ודפוסי התנהגות בעלות ערך עסקי לארגון ולתמוך בתהליך קבלת ההחלטות של המנהלים בארגון. מדען הנתונים מתמודד עם מגוון דרישות ושאלות עסקיות כגון: מהי רמת יעילותו של הארגון? כיצד ניתן לחזות סיכון ותקלות? כיצד ניתן לשמר לקוחות ולחזות נטישת לקוח? מהי רמת ההשפעה של גורמים שונים על הצלחתו של הארגון? ועוד. קורס זה מכין את בוגריו לקראת השתלבות בעולם ה,Data Science ומקנה ידע נרחב. כמו כן, קורס זה שם דגש רב על הכנה מעשית, ומשלב תרגולים רבים. במהלך הקורס ילמדו הנושאים הבאים: Data Analysis with Python Python נחשבת לאחת שפות התכנות היעילות ביותר לניתוח נתונים. באמצעות ספריות ייעודיות, השפה מספקת מבני נתונים מהירים, גמישים ומובנים שנועדו להפוך את העבודה עם נתונים לקלה ואינטואיטיבית. מודול זה יציג את היסודות של סביבת ה- Python, כולל מושגי תכנות בסיסיים כגון מבני בקרה, פונקציות ומבני נתונים. בחלקו העיקרי, מודול זה יספק ערכת כלים מקיפה לעבודה עם נתונים, כולל טכניקות לקריאה וכתיבה של קבצים מגוונים, תחקור נתונים, והצגה גרפית. Machine Learning חלקו המרכזי של הקורס. עולם הידע ב- Machine Learning עוסק באלגוריתמים ושיטות לבניית מערכות לומדות, שיכולות להשתמש במידע שנאסף על ידי הארגון, על מנת להפיק באופן אוטומטי ידע ותובנות חדשים. שליטה ב-,Machine Learning מייצרת לארגונים הזדמנויות חדשות ומרגשות להשיג יתרון תחרותי, על ידי תכנון אלגוריתמים שיסייעו בקבלת החלטות ארגונית טובה יותר. ב-,Machine Learning אופן השימוש במידע הארגוני הוא עמוק יותר, שיטתי יותר ומתבסס על מניפולציות מתמטיות מורכבות. מודול זה כולל היכרות עם מתודולוגית העבודה ב-,Machine Learning ועם השיטות והאלגוריתמים המרכזיים המשמשים כחלק ממתודולוגית זו. חלק זה ילווה בתרגול ובדוגמאות רבות, תוך שימוש ב-,Python שפה שימושית ל-.Machine Learning בנוסף במהלך הקורס נדבר על שיקולים ודגשים בהטמעת פתרון בסביבה טכנולוגית ובעבודה עם נפחי מידע גדולים ובצורות שונות.

2 פרויקט על מנת ליצור חווית למידה אפקטיבית והכנה מקיפה לעולם האמיתי, הסטודנטים יעבדו הפרויקט יבוצע בזוגות, תוך תרגול פתירת בעיית Machine Learning מקצה לקצה. פרויקט על מקיף. הפרויקט בנוי מהשלבים הבאים: 1. בחירת ובחינת בעיה עסקית ומציאת דטה סט מתאים **השלבים הבאים כרוכים בכתיבת קוד 2. חקר נתונים ראשוני 3. הכנת הנתונים לתהליכי Machine Learning.4 בניית מודלי Machine Learning 5. ולידציה על איכות המודלים Advanced SQL Practical Techniques and Use-Cases מעבר לשפת ה Python אשר מהווה חלק מרכזי בעבודתו של מדען הנתונים, בתחקורי מאגרים רלציוניים )לדוגמה - כחלק מהכנתם למודלים חיזויים( נעשה שימוש נרחב בשפת ה.SQL מודול זה, אשר פותח ע"י רם קדם, מתמקד בשאילתות מורכבות, ומורכב כולו מבעיות SQL מתקדמות בעולם האמיתי. החומרים של המודול מבוססים על עשור של ניסיון בעבודה עם מסדי נתונים שונים, שאלות מאתגרות מראיונות עבודה, ובעיות SQL מורכבות רבות. במהלך המודול תלמדו "דרך הידיים" SQL מתקדם. מודול זה יוצא מתוך הנחה כי משתתפיו מגיעים עם רקע בסיסי מקדים ב.SQL Introduction to Big Data and Spark מודול זה נועד לחבר את משתתפיו הקורס לעולם ה - Data Big ולספק רקע תאורטי ומעשי אודות השימוש בטכנולוגיות הנפוצות, בדגש על.Hadoop במהלך המודול תינתן סקירה אודות מרכיבי ה - System Eco המרכזיים, וכן יוקדשו מספר שיעורי מבוא ל - Spark פלטפורמה נפוצה ורחבת היקף בתחום ניתוח המידע.,Data Science ליווי מקצועי קורס ייחודי זה נבנה בשיתוף פעולה של צוות מקצועי המורכב מטובי המומחים בתחום בעלי ניסיון מקצועי רב שנים בהדרכה. רם קדם: עוסק בעולם ה- Databases וניתוח הנתונים מעל לעשור. בעל ניסיון רב בטכנולוגיות שונות, ובהובלת פרויקטים מגוונים. במקביל לעבודתו בשטח, רם מעביר קורסים, הרצאות וסדנאות רבות, מנהל אתר לימודי בתחום מסדי הנתונים, וכותב ספרות בתחום ה- Data. שחר כהן ואורן רזון: co-founders של חברת,YellowRoad בעלי ניסיון של מעל לעשור בבניית מערכות End-to-End Machine הינה ספקית שירותי YellowRoad בתעשייה. חברת machine learning.learning משלב ייזום הפרויקט, בניית האלגוריתם ובניית הטכנולוגיה אצל הלקוח.

3 קהל יעד מטרות הקורס מטרת הקורס הנה לחשוף את הסטודנטים אל חזית עולם הLearning, Machine תוך שימת דגש על הפן העסקי והפרקטי. הקורס יאפשר לבוגרים לזהות הזדמנויות cases( )use לשימוש ביכולות אלו בארגון ולאפשר יישום את השיטות הנלמדות, הלכה למעשה. כמו כן, במהלך הקורס יקבלו בוגרי הקורס הבנה נרחבת בעיבוד וניתוח נתונים באמצעות Python ו-.SQL בעלי ניסיון מעשי בעולמות ה Data- )אחזור, עיבוד וניתוח נתונים(, כגון: אנשי,BI אנליסטים, כותבי קוד, ראשי צוותים, מנהלי פיתוח, DBAs בעלי ידע בסיסי בשפת ה- SQL בעלי רקע בכתיבת קוד - יש לציין, זהו אינו קורס תכנות, אלא קורס המלמד כיצד ניתן ליישם Machine Learning באמצעות.Python בתחילת המודול הראשון יוקצו מספר שעות ליישור קו עם השפה, שאר הקורס יוצא מתוך הנחה שמשתתפיו מגיעים עם רקע בתכנות ידע סטטיסטי בסיסי ברמת קורס מבוא לסטטיסטיקה תנאי קדם ראיון אישי / ייעוץ להכוונה מקצועית בעלי רקע בכתיבת קוד ניסיון בפיתוח בסיסי בשפת ה SQL )אחזור, עיבוד וניתוח נתונים( בעלי ניסיון מעשי בעולמות ה Data- משך הקורס 170 שעות )120 שעות לימוד פרונטליות + 50 עבודה עצמית בבית( לימודי ערב מ- 17:30 עד 21:45, שני מפגשים שבועיים הלימודים אינם מתקיימים בחגים ומועדים זכאות לתעודת סיום זכאות לתעודת גמר, מטעם ג'ון ברייס הדרכה,מותנית: בנוכחות ב- 80% מן המפגשים לפחות בהגשת תוצרי כל הפרויקטים לאורך הקורס

4 Python Crash Course Pandas - Series Pandas DataFrames Using MultiIndex Group By Joining and Concatenating Data Working with Dates Python Pandas Panels Pandas I/O API Visualization Data Analysis with Python (30 Hours) Working with data types Slicers Control structures Understanding Python s Data Structures Implementing Functions Understanding one-dimensional labeled arrays Create a Series from Python objects Using the read_csv() method Attributes Methods Arguments and Parameters Extracting Series values Understanding two-dimensional data structures Selecting columns from a DataFrame Adding new columns to a DataFrame Working with Nulls Sorting a DataFrame Filter a DataFrame - conditions and methods Retrieving rows by Index position Delete rows or columns from a DataFrame Rename Index labels or Columns in a DataFrame Common String methods Understanding multiindexes in Pandas Creating a multiindex Extracting rows from a multiindex Common methods Basic operations Retrieving groups Common methods Group by multiple columns Iterating through groups Join operations between DataFrame objects Combining together Pandas objects Understanding Python s datetime module Pandas Timestamp and DateTimeIndex objects Pandas DateOffset and TimeDelta objects Common methods Understanding the axis of a Panel Object Common methods and attributes Extracting data Object conversions Export DataFrame to csv Importing and exporting Excel files Using the.plot() method Bar Graphs Pie Charts Histograms תכנית הקורס

5 Introduction Data Understanding Data Preparation Supervised Learning Model evaluation Basic Supervised Learning Algorithms Advanced Methods Unsupervised Learning Deployment ML final project Machine Learning (60 Hours) Initial concepts and business motivation Reviewing machine learning problems and basic components CRISP-DM methodology - the typical work cycle of the Machine Learning project Basic familiarity with the work environment in Python Data Types Correlations Feature Distribution Outliers Detection Data Scaling and Normalization Feature Selection Feature Extraction Generalization Bias Variance Classification Regression train-test-validation cross validation over\under-fitting Confusion Matrix Accuracy ROC Curve Lift Charts K-NN Decision Trees Linear Regression Logistic Regression SVM Naïve Bayes Ensemble Methods: Random Forest, Bagging, etc. Deep Learning NLP K-Means and GMM Association Rules Hierarchical Clustering Evaluating Unsupervised methods Machine Learning Flow in Production Common Technology Stack ML final project

6 Advanced SQL Practical Techniques and Use-Cases (15 Hours) This module, unique of its kind in Israel, focuses on complex queries, and entirely composed of advanced real-world problems and solutions. This training is based on a decade of experience working with various databases, challenging job interviews questions, and many complex SQL problems. In this course, students learn many different practical applications and real-world problems. Through understanding of the problems this module presents, you will learn many techniques, such as: Complex scalar functions Advanced techniques for filtering and sorting values Working with analytical functions Advanced use of Group Functions Working with complex Sub-Queries Use of CTE and recursive CTE Advanced tables integration using JOIN, UNION and CROSS APPLY XML techniques for solving complex problems Working with PIVOT and UNPIVOT Introduction to Big Data and Spark (15 Hours) Big data basic concepts Hadoop basics Introduction to Big Data Basic HDFS concepts Working with the HDFS Yarn components MapReduce workflow Introduction to Apache Spark (PySpark) Basics RDD Operations Spark SQL and DataFrames Spark ML הריני מאשר שניתנה לי ההזדמנות לעיין במסמך זה שם: ת.ז: חתימה: תאריך:

הטכנולוגיה בחינוך ד ר קובי גל אוניברסיטת בן גוריון בנגב

בינה מלאכותית ומהפיכת הטכנולוגיה בחינוך ד ר קובי גל אוניברסיטת בן גוריון בנגב מעבדות -אתמול ד"ר קובי גל מעבדות -היום ד"ר קובי גל למידה בקבוצות -אתמול ד"ר קובי גל למידה בקבוצות -היום ד"ר קובי גל הזדמנות