analitycznyumysł, strona główna
Program kursu

Zostań Junior Data Scientist: od zera do pierwszej pracy

Droga rozpisana na dziewięć etapów, 8–10 miesięcy nauki według ram z roadmapy. Nagranych lekcji jest dziś 63, w dwóch kursach.

Zobacz plany i cenęMasz pytania? FAQ

Roadmapa

Dziewięć etapów w kolejności, w jakiej się je przechodzi. Przy każdym czas z ram roadmapy i lekcje, które są dla niego już nagrane.

  1. Etap 011–3 miesiące

    Podstawy Pythona i narzędzi dla Data Science

    Cel: Stawiasz środowisko, w którym da się pracować, i przestajesz walczyć z konfiguracją. Piszesz kod, który ktoś inny uruchomi u siebie bez zgadywania.

    Zarządzanie Środowiskami (Conda)

    • 01Różnice między IDE a środowiskiem programistycznym
    • 02Zapobieganie konfliktom bibliotek poprzez izolację projektów
    • 03Tworzenie, aktywacja i dezaktywacja środowisk w Conda
    • 04Instalacja pakietów analitycznych (Conda vs Pip)
    • 05Eksport i odtwarzanie konfiguracji z plików environment.yml

    System Kontroli Wersji GIT & GitHub

    • 01Architektura GIT: repozytorium zdalne a 3 stany lokalne
    • 02Cykl życia zmian: od Working Directory, przez Staging Area, do Local Repo
    • 03Praca na gałęziach (Branches) i mechanizm scalania (Merge)
    • 04Rozwiązywanie konfliktów podczas mergowania kodu
    • 05Praktyczny słownik podstawowych komend (add, commit, push, pull, checkout, reset)

    Integracja z IDE i Dobre Praktyki

    • 01Podłączanie środowisk Conda do VS Code oraz PyCharm
    • 02Rola klauzuli if __name__ == '__main__' w skryptach modułowych
    • 03Narzędzia debugowania kodu i analiza logów (Git log)

    Sterowanie Przepływem Programu

    • 01Instrukcje warunkowe: ewaluacja logiczna w konstrukcjach if, elif, else
    • 02Pętla warunkowa while oraz ryzyko pętli nieskończonych
    • 03Pętla iteracyjna for i sekwencje danych (listy, krotki, słowniki, zbiory)
    • 04Kontrola iteracji: wykorzystanie słów kluczowych break i continue

    Projektowanie Funkcji i Zaawansowana Architektura kodu

    • 01Definiowanie funkcji (def) oraz mechanizm zwracania wartości (return)
    • 02Parametryzacja: argumenty pozycyjne vs argumenty domyślne
    • 03Elastyczne interfejsy funkcji: obsługa *args i **kwargs
    • 04Paradygmat funkcyjny: funkcje rekurencyjne na przykładzie silni
    • 05Analiza porównawcza: funkcje autonomiczne a metody obiektowe

    Przetwarzanie Potokowe i Zarządzanie Pamięcią

    • 01Koncepcja iteratorów w Pythonie
    • 02Projektowanie generatorów z użyciem instrukcji yield
    • 03Optymalizacja pamięciowa przy przetwarzaniu długich i nieskończonych ciągów

    Architektura Modułowa

    • 01Tworzenie modułów (.py) i zarządzanie przestrzenią nazw zmiennych globalnych i lokalnych
    • 02Pojęcie biblioteki jako zbioru modułów
    • 03Obsługa czasu i profilowanie wydajności kodu (moduły time i datetime)

    Operacje Wejścia/Wyjścia (I/O)

    • 01Tryby otwierania plików tekstowych i binarnych (r, w, a, r+, x, b)
    • 02Metody odczytu danych: read, readline, readlines
    • 03Metody zapisu i walidacja uprawnień do plików (write, writelines, writable, readable)
  2. Etap 021 miesiąc

    Matematyka

    Cel: Odzyskujesz aparat, bez którego dalsze etapy są zapamiętywaniem przepisów: rachunek na macierzach i język, którym opisuje się niepewność.

    Podstawy Zmiennych Losowych

    • 01Intuicja i definicja zmiennej losowej w ujęciu zdarzeń losowych
    • 02Charakterystyka zmiennych losowych dyskretnych (skonkretyzowanych)
    • 03Charakterystyka zmiennych losowych ciągłych i pojęcie funkcji gęstości
    • 04Matematyczne miary rozkładów: wartość oczekiwana, wariancja oraz odchylenie standardowe
    • 05Zaawansowane parametry kształtu: współczynnik asymetrii (skośność) oraz kurtoza (ciężkość ogonów)
    • 06Podział strukturalny danych: dystrybuanta, mediana, kwartyle, kwantyle i percentyle

    Przegląd Teoretycznych Rozkładów Prawdopodobieństwa

    • 01Rozkłady ciągłe: jednostajny (równomierny) i wykładniczy (modelowanie czasu między zdarzeniami)
    • 02Rozkład Normalny (Gaussa): właściwości, standaryzacja i znaczenie w Data Science
    • 03Rozkłady dyskretne: dwupunktowy (próba Bernoulliego) oraz dwumianowy (Bernoulliego dla n-prób)
    • 04Rozkład geometryczny (oczekiwanie na pierwszy sukces)
    • 05Rozkład Poissona oraz prawo rzadkich zdarzeń jako przybliżenie rozkładu Bernoulliego
  3. Etap 031 miesiąc

    Podstawy statystyki

    Cel: Uczysz się odróżniać wynik prawdziwy od przypadkowego i sprawdzać to liczbą, a nie wrażeniem, że coś chyba wyszło.

    Podstawy Zmiennych Losowych

    • 01Intuicja i definicja zmiennej losowej w ujęciu zdarzeń losowych
    • 02Charakterystyka zmiennych losowych dyskretnych (skonkretyzowanych)
    • 03Charakterystyka zmiennych losowych ciągłych i pojęcie funkcji gęstości
    • 04Matematyczne miary rozkładów: wartość oczekiwana, wariancja oraz odchylenie standardowe
    • 05Zaawansowane parametry kształtu: współczynnik asymetrii (skośność) oraz kurtoza (ciężkość ogonów)
    • 06Podział strukturalny danych: dystrybuanta, mediana, kwartyle, kwantyle i percentyle

    Przegląd Teoretycznych Rozkładów Prawdopodobieństwa

    • 01Rozkłady ciągłe: jednostajny (równomierny) i wykładniczy (modelowanie czasu między zdarzeniami)
    • 02Rozkład Normalny (Gaussa): właściwości, standaryzacja i znaczenie w Data Science
    • 03Rozkłady dyskretne: dwupunktowy (próba Bernoulliego) oraz dwumianowy (Bernoulliego dla n-prób)
    • 04Rozkład geometryczny (oczekiwanie na pierwszy sukces)
    • 05Rozkład Poissona oraz prawo rzadkich zdarzeń jako przybliżenie rozkładu Bernoulliego
  4. Etap 041 miesiąc

    Analiza statystyczna

    Cel: Przechodzisz od pojedynczych liczb do zależności między nimi: co z czym się wiąże, jak mocno i czy to w ogóle coś znaczy.

    Badanie Współzależności Zmiennych (Korelacja)

    • 01Dobór miar zależności w zależności od typu skali (ANOVA, Chi-kwadrat)
    • 02Współczynniki dla zmiennych jakościowych: Phi Yule'a i V Cramera
    • 03Korelacja rangowa dla danych porządkowych: Spearman i Tau Kendalla
    • 04Współczynnik korelacji liniowej Pearsona – interpretacja siły i kierunku związku
    • 05Praktyczna implementacja w Pandas (.corr()) i pułapka „Garbage In – Garbage Out”
  5. Etap 051 miesiąc

    Modele statystyczne

    Cel: Budujesz pierwszy model, który coś przewiduje, i uczysz się przygotowywać pod niego dane, bo to na tym etapie wygrywa się albo przegrywa.

    Taksonomia Danych i Outlierów

    • 01Klasyfikacja danych: szeregi czasowe (indeksowane czasem) a dane statyczne
    • 02Specyfika outlierów w szeregach czasowych (punktowe vs grupowe)
    • 03Specyfika outlierów w danych statycznych (jedno- i wielowymiarowe)
    • 04Geneza anomalii: błędy wejścia, błędy pomiaru i odchylenia naturalne

    Metody Detekcji i Czyszczenia Danych

    • 01Statystyczne metody usuwania outlierów: reguła 3 sigma vs metoda IQR (boxplot)
    • 02Algorytmy uczenia maszynowego w detekcji anomalii (LOF, Isolation Forest, DBSCAN, Autoenkodery)
    • 03Uzbytkowienie i predykcja: procesy interpolacji (wypełnianie luk) oraz ekstrapolacji (prognozowanie)

    Klasyczna Regresja Liniowa

    • 01Teoria regresji jednowymiarowej: funkcja liniowa, interpretacja współczynnika kierunkowego (slope) i wyrazu wolnego (intercept)
    • 02Estymacja parametrów: podejście statystyczne (Metoda Najmniejszych Kwadratów) vs podejście iteracyjne (ML)
    • 03Analiza reszt (residuals) i identyfikacja błędu systematycznego
    • 04Ocena dopasowania: współczynnik determinacji R-kwadrat

    Walidacja i Regresja Wieloraka (Multivariate)

    • 01Weryfikacja założeń modelu: liniowość, niezależność reszt, homoskedastyczność i normalność
    • 02Istotność statystyczna zmiennych objaśniających (pakiet statsmodels)
    • 03Rozszerzenie do regresji wielowymiarowej i przeciwdziałanie współliniowości (VIF)
    • 04Wrażliwość regresji na obserwacje odstające i kryteria ich eliminacji (reguła 3 sigma na resztach)
    • 05Metryki oceny jakości prognoz: MAE, MAPE, MSE i RMSE
  6. Etap 061 miesiącAdvanced, poziom zaawansowany

    Machine learning: uczenie nadzorowane

    Cel: Trenujesz modele na oznaczonych danych i uczysz się oceniać je uczciwie: na materiale, którego model wcześniej nie widział.

  7. Etap 071 miesiącAdvanced, poziom zaawansowany

    Uczenie nienadzorowane

    Cel: Pracujesz z danymi bez etykiet: szukasz w nich struktury, naturalnych grup i tego, co odstaje od reszty.

    Taksonomia Danych i Outlierów

    • 01Klasyfikacja danych: szeregi czasowe (indeksowane czasem) a dane statyczne
    • 02Specyfika outlierów w szeregach czasowych (punktowe vs grupowe)
    • 03Specyfika outlierów w danych statycznych (jedno- i wielowymiarowe)
    • 04Geneza anomalii: błędy wejścia, błędy pomiaru i odchylenia naturalne

    Metody Detekcji i Czyszczenia Danych

    • 01Statystyczne metody usuwania outlierów: reguła 3 sigma vs metoda IQR (boxplot)
    • 02Algorytmy uczenia maszynowego w detekcji anomalii (LOF, Isolation Forest, DBSCAN, Autoenkodery)
    • 03Uzbytkowienie i predykcja: procesy interpolacji (wypełnianie luk) oraz ekstrapolacji (prognozowanie)
  8. Etap 081 miesiącAdvanced, poziom zaawansowany

    Wprowadzenie do sieci neuronowych

    Cel: Rozkładasz sieć neuronową na części i widzisz, że to nadal ta sama matematyka, tylko poskładana w większą całość.

  9. Etap 09

    Pierwsza praca

    Cel: Zbierasz to, co zbudujesz po drodze, w portfolio i wybierasz kierunek, w którym chcesz rozwijać się dalej.

Jak wygląda nauka

Program to jedno, a codzienna praca to drugie. Tak wygląda droga przez pojedynczą lekcję, niezależnie od tego, na którym etapie jesteś.

  1. 01

    Oglądasz nagranie

    We własnym tempie, na komputerze, tablecie albo telefonie. Notatkę możesz przypiąć do konkretnej minuty, więc wracasz do niej, a nie do całej lekcji.

  2. 02

    Robisz zadanie

    Przy kolejnych etapach czekają zadania i projekty, a do nich notatniki i zbiory danych do pobrania. Pracujesz na tych samych plikach, co w nagraniu.

  3. 03

    Odznaczasz i idziesz dalej

    Ukończona lekcja odblokowuje następną, więc w każdej chwili widzisz, gdzie jesteś w programie, zamiast liczyć, ile plików zostało.

  4. 04

    Dostajesz komentarzPremium

    Mentor sprawdza Twoje zadania i projekty i pisze, co poprawić. Gdy utkniesz, piszesz bezpośrednio do niego; przed pierwszą rekrutacją przegląda całe portfolio.

Dla kogo jest ten kurs

Program jest długi i wymaga samodzielnej pracy. Zanim zaczniesz, sprawdź, czy to droga dla Ciebie.

Ten kurs jest dla Ciebie, jeśli

  • Zaczynasz od zera i szukasz jednej, systematycznej drogi zamiast przypadkowych tutoriali.
  • Wolisz uczyć się na konkretnych zadaniach i projektach niż z samej teorii.
  • Możesz uczyć się samodzielnie z nagrań, we własnym tempie, bez sztywnego grafiku zajęć.
  • Myślisz poważnie o pierwszej pracy w analizie danych albo data science.
  • Chcesz wyjść z kursu z portfolio projektów, a nie tylko z notatkami.

Raczej nie, jeśli

  • Szukasz kursu na kilka wieczorów, a program liczy się w miesiącach, nie w dniach.
  • Liczysz na gotowe rozwiązania bez samodzielnej pracy nad zadaniami i projektami.
  • Zależy Ci wyłącznie na zajęciach na żywo, a to nagrania, oglądane w Twoim tempie.
  • Masz już za sobą pracę zawodową w ML, a program zaczyna się od podstaw Pythona.
  • Oczekujesz gwarancji zatrudnienia po kursie, a takiej obietnicy nikt uczciwie nie złoży.
Kinga Głąbińska-Gawlik, portret na jasnym tle

Kinga Głąbińska-Gawlik

Zawodowo zajmuję się uczeniem maszynowym od początku 2020 roku. Wcześniej mój czas zajmowały studia matematyczne i rozwijanie się w zakresie statystyki i uczenia maszynowego.

W wolnym czasie prowadzę tego bloga i instagrama, na którym pokazuję, gdzie spotykamy sztuczną inteligencję w naszym codziennym życiu.

Więcej o mnie

Co mówią kursanci

  • Zaczynałam od zera, bez informatyki na studiach. Bałam się, że utknę na pierwszym module z Pythonem, a utknęłam dopiero na statystyce — i to w dobrym sensie, bo pierwszy raz ktoś mi wytłumaczył, skąd te wzory się biorą.
    Magdaanalityczka
  • Każde pojęcie ma najpierw sens, a dopiero potem wzór. Ta kolejność jest tak rzadka, że sama zaczęłam tak prowadzić lekcje.
    Anianauczycielka fizyki
  • Plan zamiast playlisty. Wiedziałem, czego jeszcze nie umiem.
    Paweł
  • Chciałam rozumieć liczby, które dostaję w raportach. Dziś umiem zapytać, skąd się wzięły, i wychwycić moment, w którym ktoś naciąga wnioski.
    Kasia

Plany i dostęp

Jeden program, dwa sposoby, żeby go przejść: samodzielnie albo z mentorem, który patrzy na Twoją pracę. W obu dostęp liczy się na rok, nie na miesiące.

Basic

Cały program i platforma. Przechodzisz go samodzielnie, w swoim tempie.

  • Wszystkie nagrania obu kursów, dziś 63 lekcje
  • Nowe lekcje dodane w trakcie Twojego roku, bez dopłaty
  • Zadania i projekty przy kolejnych etapach
  • Notatniki i zbiory danych do pobrania
  • Postęp: odznaczanie lekcji i odblokowywanie kolejnych
  • Prywatne notatki przypięte do minuty nagrania
  • Dostęp na komputerze, tablecie i telefonie
  • 12 miesięcy dostępu od zakupu
Zapytaj o Basic

Premium

Z mentorem

To samo, co w Basic, plus mentor, który patrzy na Twoją pracę.

  • Wszystko, co w planie Basic
  • Zadania i projekty sprawdzane przez mentora, z komentarzem
  • Indywidualny kontakt, gdy utkniesz na konkretnym problemie
  • Priorytet w kolejce sprawdzania, czyli szybsza odpowiedź
  • Konsultacja na start: plan nauki pod Twoje tempo
  • Przegląd portfolio przed pierwszą rekrutacją
Zapytaj o Premium

Cennik jest w przygotowaniu. Napisz, a odezwę się z ceną i terminem startu, gdy tylko będą gotowe.

Najczęstsze pytania

Czy muszę już coś umieć na start?

Nie. Etap 1 roadmapy to podstawy Pythona i narzędzi dla data science. Po to tam jest, żeby zerowe doświadczenie w programowaniu nie było przeszkodą.

Kurs to nagrania czy zajęcia na żywo?

Nagrania wideo, dostępne w Twoim koncie przez cały okres dostępu. Oglądasz w swoim tempie, wracasz do trudniejszych fragmentów, robisz przerwy, bez sztywnych terminów zajęć.

Ile czasu zajmuje cały program?

Roadmapa jest rozpisana na dziewięć etapów, które w ramach z materiału zajmują łącznie kilka miesięcy systematycznej nauki. Realny czas zależy od tego, ile godzin tygodniowo poświęcisz. To Ty ustawiasz tempo.

Czym różni się plan Basic od Premium?

Basic daje pełny dostęp do nagrań, zadań, projektów i platformy. Uczysz się w pełni samodzielnie. Premium dokłada do tego mentora: sprawdza Twoje zadania i projekty z komentarzem, a gdy utkniesz na konkretnym problemie, masz z kim to skonsultować.

Jak długo mam dostęp do materiałów?

Rok od zakupu, w obu planach. Wystarczająco dużo czasu, żeby przejść cały program bez pośpiechu, wrócić do etapów i dokończyć go nawet z dłuższą przerwą.

Co dostanę po ukończeniu kursu?

Portfolio projektów zbudowanych po drodze, etap po etapie. To ono robi robotę przy pierwszej rekrutacji, nie jednorazowy quiz na końcu.

Co jeśli utknę na jakimś temacie?

W planie Premium zgłaszasz problem mentorowi i dostajesz odpowiedź skierowaną do Twojego konkretnego przypadku. W planie Basic zostajesz z nagraniami i społecznością materiału, bez indywidualnej konsultacji.

Wiesz już, co jest w środku

Program, przebieg nauki i różnicę między planami masz wyżej. Jeśli została Ci jedna rzecz, na którą nie odpowiedziało FAQ, napisz. Odpowiem osobiście.

Napisz do mnieNajpierw poczytaj bloga