Data Science на практике

Практический курс по data science — от рабочего процесса и подготовки данных до машинного обучения и вывода результатов в жизнь. Ориентирован на разработчика или аналитика, который хочет научиться извлекать из данных пользу: загружать и чистить их, исследовать, визуализировать, строить и оценивать модели, и понимать, где заканчивается наука о данных и начинается инженерия. Достаточно базового Python (в коллекции есть отдельный курс по Python); весь стек — Python.

Главный принцип курса: 80% работы data scientist’а — это данные, а не модели. Красивые алгоритмы бесполезны на грязных данных; «мусор на входе — мусор на выходе». Поэтому упор на подготовку, очистку, исследование и честную оценку. Второй сквозной мотив — скепсис и строгость: корреляция не равна причинности, хорошая метрика на обучающей выборке ничего не значит, а модель, «работающая» на ноутбуке, может провалиться в проде из-за утечки данных. Наука о данных — это дисциплина осторожных выводов из шумной реальности.

Темы по нарастанию: рабочий процесс и инструменты, NumPy, pandas, очистка данных, трансформация и агрегация, разведочный анализ и визуализация, статистика, введение в машинное обучение, scikit-learn, оценка моделей и работа с признаками, вывод в продакшн. Стек 2026 года: ядро (NumPy, pandas, matplotlib/seaborn, scikit-learn, Jupyter) плюс современные инструменты (Polars, DuckDB) — но принципы важнее конкретных библиотек.

Каждый урок содержит теорию, примеры кода (Python), чеклист практических заданий и квиз. Практиковаться удобно в Jupyter/ноутбуке на реальных датасетах. Этот курс — фундамент прикладного анализа; за глубиной именно машинного обучения и современного AI загляните в курс по ML/AI, а за LLM-приложениями — в курс по LLM.