- Кількість кредитів 3
- Тип Обов'язковий
- Семестри 5, 11
- Рівень вищої освіти Бакалавр, Магістр
- Підсумковий контроль Залік, Екзамен
⚡Квест: Життєвий цикл CRISP-DM та алгоритми штучного інтелекту!
Мрієш знаходити приховані інсайти у гігантських масивах інформації? Стань майстром даних! Пройди повний цикл CRISP-DM: від збору неструктурованого хаосу до розгортання ML-моделей. Розмахни векторні обчислення у NumPy, приручи інженерію ознак у Pandas та розкривай закономірності на графіках Seaborn. Навчай моделі регресії та класифікації у Scikit-learn, роби кластеризацію у TensorFlow та пиши NLP-скрипти токенізації тексту.
🚀Перетвори сирі дані на залізну бізнес-логіку!
🛠Стек: Python, Pandas, NumPy, Scikit-learn, TensorFlow, SciPy, Seaborn, NLTK, Google Colab.
🎒В рюкзак: Програмний модуль аналізу даних та навчена ML-модель у Jupyter.
⚡Квест: Підкори високопродуктивні обчислення у NumPy, зламай хаос сирих даних у Pandas та навчи свої перші ML-моделі у Scikit-learn!
🌐Опис місії
Просто писати код для збереження даних — це базовий рівень розробки, але вміти витягувати з гігабайт неструктурованого інформаційного шуму приховані патерни, передбачати майбутні події та автоматизувати ухвалення рішень — це суперсила елітного інженера. Сучасний IT-ринок відчуває колосальний дефіцит фахівців, здатних проектувати інтелектуальні сервіси та системи штучного інтелекту. Цей квест — твій інструментальний фундамент та вхідний квиток у світ великих даних та машинного навчання за міжнародним стандартом CRISP-DM. Ми навчимо тебе трансформувати сирі таблиці, очищувати аномалії, проводити глибокий розвідувальний аналіз (EDA) та управляти градієнтним спуском при оптимізації функцій витрат. Ти дізнаєшся все про математичну суть лінійної та логістичної регресії, прокляття розмірності (PCA), баланс зміщення та дисперсії (Bias-Variance Tradeoff), а також про токенізацію природної мови. Обійди пастки перенавчання моделей та розгорни свій перший інтелектуальний аналітичний рушій!
🛠Твій інструментарій
Data Manipulation & High-Performance Matrix Computing: NumPy Professional (багатовимірні масиви ndarray, векторизація, механізми Broadcasting), Pandas (Series, DataFrame, групування, імппутація пропусків).
Exploratory Data Analysis & Statistics: Matplotlib (кастомізація осей), Seaborn (Box plots, Violin plots, Heatmaps кореляцій), SciPy, StatsModels (перевірка статистичних гіпотез, аналіз розподілів).
Machine Learning Frameworks: Scikit-learn (пакет класичного машинного навчання, інженерія ознак Feature Engineering, крос-валідація K-Fold, регуляризація Ridge/Lasso, підбір гіперпараметрів Grid Search), TensorFlow.
Natural Language Processing (NLP): NLTK (Natural Language Toolkit — лематизація, стемінг, токенізація, векторизація Bag-of-Words та TF-IDF).
Interactive Environments & Repositories: Jupyter Notebook, Google Colab, VS Code, Git / GitHub.
AI-Driven Development: GitHub Copilot, Cursor AI (оптимізація векторних масивів, автоматизація регулярних виразах для обробки тексту).
🚀Що прокачаєш (Суперсили)
High-Performance Data Preprocessing: Навчишся писати швидкісні скрипти для маніпуляції табличними даними, зливати гетерогенні датасети та очищати викиди без втрати швидкодії.
Algorithmic Supervised Learning: Опануєш математичну суть та програмну реалізацію алгоритмів регресії та класифікації (Decision Trees, KNN, Логістична регресія), оцінюючи їх за метриками Accuracy, Precision, Recall та ROC-AUC.
Unsupervised Learning & Clustering: Навчишся аналізувати дані без розмітки, застосовувати метод К-середніх (K-Means) з визначенням кластерів через Elbow method та знижувати розмірність просторів за методом PCA.
Natural Language Processing Foundations: Прокачаєш навички препроцесингу текстових масивів та переведення людської мови у цифрові вектори для аналізу тональності або фільтрації спаму.
🎒Що покладеш у рюкзак (Портфоліо)
На фінальному захисті у формі професійного інженерного Data Storytelling (запуску та покрокового рев'ю Jupyter-ноутбука) ти презентуєш Програмний модуль аналізу даних та побудови ML-моделі (Data Science & ML Foundation Project):
Data Ingestion & Hardened Preprocessor: Комплект коду збору та препроцесингу сирого датасету з логікою імппутації пропущених значень та видалення інфраструктурних аномалій.
Exploratory Data Analysis Report: Інтерактивний візуальний звіт розподілу ознак, щільності та кореляційних матриць, побудований через Matplotlib/Seaborn.
Trained Machine Learning Pipeline: Навчена, оптимізована та перевірена на крос-валідації модель машинного навчання (регресія чи класифікація) на базі Scikit-learn/TensorFlow.
Model Evaluation Matrix: Спроєктована матриця помилок (Confusion Matrix) та розраховані індустріальні метрики якості (MSE, R^2, F1-Score), що підтверджують відсутність перенавчання (Overfitting).
NLP Text Vectorization Shard: Додатковий програмний модуль обробки неструктурованих текстів через NLTK із векторизацією за схемою TF-IDF.
💼Твій майбутній тайтл
Ці фундаментальні інженерно-математичні знання миттєво відкривають шлях у сектор AI та Big Data розробки:
Data Scientist / Data Analyst.
Junior Machine Learning Engineer (ML Dev).
Data Engineer Assistant / Business Intelligence Developer.
