Wprowadzenie do Data Science z Python
Rozpocznij przygodę z nauką o danych i zdobądź zawód swoich marzeń!
Kurs „Wprowadzenie do Data Science z Python” jest idealnym sposobem na wejście do świata analizy danych.
Podczas kursu Data Science nie tylko nauczysz się najważniejszych technik analizy danych, ale również zrozumiesz, jak wykorzystać je w praktyce.

Sprzedaż kursu została tymczasowo zakończona. Pracuję nad ulepszonymi treściami i wracam wkrótce. 🙂
Kurs Data Science – czego możesz się nauczyć?
- Dowiesz się, jak wygląda i przebiega kompletny proces analizy danych.
- Poznasz kluczowe różnice między algorytmami i dowiesz się, jak budować modele uczenia maszynowego.
- Zapoznasz się z najważniejszymi zagadnieniami ze statystyki i matematyki, potrzebnymi w pracy w Data Science.
- Zobaczysz, jak może wyglądać codzienna praca projektowa na stanowisku Data Scientist.
- Zaczniesz myśleć jak ekspert, który nie tylko rozwiązuje problemy, ale też dobiera odpowiednie metody i narzędzia do konkretnych zadań.

Data Science w Python – czego się dowiesz?
Przedstawię Ci jasny plan działania, a następnie przeprowadzę Cię przez niego krok po kroku. Poprzez kurs Data Science z Python:
✅ Zrozumiesz kluczowe aspekty analizy danych i modelowania, m.in.: działanie algorytmów, scenariusze ich użycia, mocne i słabe strony oraz najważniejsze metody analizy danych.
✅ Uporządkujesz wiedzę i zbudujesz pokaźny zestaw narzędzi Data Science, z którego będziesz w przyszłości korzystać.
✅ Dowiesz się, jak wygląda codzienna praca w Data Science. Przeprowadzę Cię przez realny use case (nieuporządkowane dane pochodzące z różnych źródeł, konieczność samodzielnej budowy zmiennych objaśniających, etc.) i wspólnie zbudujemy kompletne rozwiązanie.
✅ Zrozumiesz, jak wygląda ścieżka rozwoju w Data Science i jakie umiejętności powinien posiadacz Data Scientist.
✅ Zbudujesz solidny fundament pod dalszy rozwój, co z całą pewnością zaowocuje w Twojej zawodowej przyszłości.
✅ Zbudujesz środowisko pracy, które będzie wspierać Twoją produktywność w Data Science.
I wiele, wiele więcej!
Kurs Data Science – program nauczania
Czego dokładnie Cię nauczę?

Moduł 1: Wprowadzenie
1.1. Przegląd kursu
1.2. Charakterystyka Data Science – część 1
1.3. Charakterystyka Data Science – część 2
1.4. Data Scientist – charakterystyka
Moduł 2: Elementy wpływające na efektywność pracy
2.1. Python – zalety, wady i rozszerzenia
2.2. IDE – wybór i konfiguracja
2.3. PEP-8 – gramatyka dla programisty
2.4. Metody zarządzania skryptem
Moduł 3: Analiza danych w Jupyter Notebook
3.1. Wprowadzenie do Jupyter Notebook i Markdown
3.2. Korzystanie z pliku pomocy
3.3. Zaawansowane struktury danych
3.4. Wprowadzenie do Use Case
Moduł 4: Przygotowanie danych
4.1. Czytanie danych
4.2. Obsługa brakujących wartości
4.3. Filtrowanie zbioru
4.4. Łączenie zbiorów
Moduł 5: Przekształcanie danych
5.1. Grupowanie danych
5.2. Inżynieria zmiennych
5.3. Próbkowanie danych
5.4. Zapisywanie danych
Moduł 6: Praktyczne elementy statystyki – część 1
6.1. Eksploracyjna analiza danych
6.2. Podział na typy zmiennych
6.3. Analiza jednowymiarowa zmiennej kategorycznej
6.4. Analiza jednowymiarowa zmiennej ciągłej
Moduł 7: Praktyczne elementy statystyki – część 2
7.1. Badanie zależności pomiędzy zmiennymi
7.2. Zmienna kategoryczna vs zmienna kategoryczna
7.3. Zmienna ciągła vs zmienna ciągła
7.4. Zmienna kategoryczna vs zmienna ciągła
Moduł 8: Modelowanie – wprowadzenie
8.1. Model i jego cel
8.2. Błąd vs wariancja
8.3. Typy problemów w modelowaniu i sposoby ich oceny
8.4. Wnioskowanie statystyczne
Moduł 9: Modelowanie parametryczne
9.1. Podstawy regresji liniowej
9.2. Regresja liniowa – optymalizacja i diagnostyka modelu
9.3. Selekcja zmiennych w regresji liniowej
9.4. Pozostałe algorytmy parametryczne
Moduł 10: Modelowanie nieparametryczne
10.1. Wprowadzenie do drzew decyzyjnych
10.2. Budowa drzewa decyzyjnego
10.3. Porównanie drzew decyzyjnych z regresją liniową
10.4. Praktyczne aspekty modelowania z użyciem drzew
Moduł 11: Proces modelowania – od danych do wdrożenia
11.1. Kompletny proces budowy modelu
11.2. Wybór odpowiedniego algorytmu
11.3. Metody oceny i walidacji modelu
11.4. Modelowanie w rzeczywistości biznesowej
Moduł 12: Umiejętności miękkie i kariera w Data Science
12.1. Mentalność badacza danych – metoda SDP
12.2. Rekomendowane materiały i kursy
12.3. Jak zdobyć wymarzoną pracę w Data Science
12.4. Podsumowanie
Przygotowałem narzędzia i materiały, które pomogą Ci w nauce

O autorze
Mateusz Grzyb – ekspert w dziedzinie Data Science z ponad 10-letnim doświadczeniem w branży. Stawia na praktykę, użyteczność i wartość, które gwarantują skuteczne dostarczanie innowacyjnych rozwiązań.
Certyfikowany specjalista Microsoft w obszarze Data Science. Uczestnik i prelegent szeregu konferencji branżowych zarówno w kraju, jak i za granicą.
Autor bloga mateuszgrzyb.pl, na łamach którego od przeszło 7 lat dzieli się wiedzą z zakresu nauki o danych.
Najczęściej zadawane pytania
Masz dodatkowe pytania?
Skontaktuj się ze mną! Chętnie na wszystkie odpowiem. 🙂
Mateusz Grzyb
Prowadzący i autor kursu
kontakt@mateuszgrzyb.pl
Dla kogo jest ten kurs?
Kurs ten jest skierowany do osób, które są na początku kariery zawodowej, lub osób nieco bardziej doświadczonych, a które to chcą uaktualnić swoją wiedzę związaną z Data Science o najlepsze praktyki i aktualne standardy panujące w branży. Wymagana jest znajomość podstaw języka Python.
Na jakim poziomie zaawansowania są prezentowane w kursie zagadnienia?
Dla każdego z omawianych tematów kurs zaczyna się z poziomu podstawowego, a kończy na poziomie średniozaawansowanym.
Jakie są wymagania techniczne?
Komputer z dostępem do internetu, przeglądarką internetową, zainstalowany Python i Jupyter Notebook.
Szczegółowe instrukcje dotyczące konfiguracji środowiska (wraz z kompletną listą bibliotek) podaję w jednym z modułów.
Czym „Wprowadzenie do Data Science z Python” różni od innych kursów na ten temat?
WdDSzP to kurs, którego materiał powstał na podstawie mojego 10-letniego doświadczenia w branży Data Science. Stawiam w nim w 100% na rozwiązania sprawdzone podczas pracy projektowej. Nie ma tu miejsca na lanie wody i robienie sztuki dla sztuki.
Bardzo duży nacisk stawiam również na ćwiczenia i samodzielną pracę kursantów – udostępniam kilkadziesiąt ćwiczeń do wykonania we własnym zakresie, wraz z sugerowanymi rozwiązaniami.
Dlaczego można mi ufać?
Z nauką o danych jestem związany od kilkunastu lat, a od przeszło 10 z powodzeniem wdrażam rozwiązania oparte o Data Science. Pracowałem (lub współpracowałem) w największych Polskich i zagranicznych firmach.
Od ponad 7 lat prowadzę bloga mateuszgrzyb.pl na łamach którego dzielę się z czytelnikami swoją wiedzą i doświadczeniem.
Kiedy startuje kolejna edycja?
Pierwsza edycja startuje 17 czerwca 2024 roku.
Ile czasu potrzebuję, by ukończyć kurs?
By ukończyć w pełni kurs, potrzebujesz ok. 15 godzin na materiały wideo i 10-15 godzin na wykonanie wszystkich ćwiczeń. Do tego należy dodać czas potrzebny na zgłębienie treści. Skala zaangażowania zależy jednak tylko od Ciebie i możesz przejść kurs w całości lub wybrać tylko interesujące Cię elementy.
W jakiej formie jest kurs?
Kurs jest prowadzony w 100% online. Wszystkie niezbędne materiały są udostępniane uczestnikom poprzez platformę datascienceplus.pl.
Jak długo mam dostęp do materiałów?
Dostęp do wszystkich materiałów online masz przez rok od daty zakupu.
Jak dołączyć do kursu?
Dostęp do kursu otrzymasz po wykonaniu płatności przelewem online lub BLIK, korzystając z bezpiecznych płatności PayNow od mBank.
Czy po płatności otrzymam fakturę?
Tak. Po zakupie dostępu automatycznie zostanie Ci wygenerowana i udostępniona faktura.
Gdzie jest regulamin?
Regulamin znajdziesz na podstronie datascienceplus.pl/regulamin-szkolen, lub w stopce.
Gdzie jest polityka prywatności?
Politykę prywatności znajdziesz na podstronie datascienceplus.pl/polityka-prywatnosci, lub w stopce.
Czy cena za kurs jest ceną brutto, czy netto?
„Data Science Plus Mateusz Grzyb” nie jest płatnikiem VAT, więc cena netto = brutto.