Что изучать после пайтона?

Question

[Skout]

Что делать после изучения пайтон если я хочу работать в дата сайнс и в ответьте конкретно тоесть что изучить, как изучить и где изучить

Comments

[aleks-th]

Ну смотри, как только изучишь питон, приходи ююда сможешь задать более конкретные вопросы, на текущий момент пока первая часть не реализована - вторая бессмысленна.

[Владислав Лысков]

а aiogaram уже изучил?

Answer 1

[Алан Гибизов]

Что изучать после трактора?
Вождение трактора.
Ремонт трактора.
Навесное оборудование на трактор.
Применение трактора в сельском, городском хозяйстве, на производстве, добыче полезных ископаемых, покорение Гималаев на тракторе, построение своего трактора, гонки на тракторах, моделирование тракторов 1:43, продажа и страхование тракторов, обучение других тракторам, написание книги о тракторах, утилизация тракторов.

Comments

[Сергей Горностаев]

И это ещë если трактор изучил дальше возможности его нарисовать)

[Adamos]

Чем-то напоминает Горина:
- А вас отправят в Сибирь убирать снег!
- Весь?
- Весь.

Answer 2

[Максим Припадчев]

Часть первая: Английский Язык.

Часть вторая: поставь anaconda и jupyter lab

Часть третья: python фреймворки
1. numpy - изучать каждый метод не нужно, нужно освоить broadcasting Это правила по которым происходят операции с массивами разной размерности. Не изучишь, не сможешь работать с нейронными сетями и много еще с чем.

2. pandas - нужно научится понимать, как работают индексы (вся мощь но и сложность лежит в индексах особое внимание к многоуровневым индексам). Группировки объект groupby. Решайпинг, методы stack, unstack, melt и т.д. Решайпинг сложная тема, но без нее никуда.

3. matplotlib - нужно научится работать в ооп стиле, а не в матлаб стиле.

Вот эти 3 можешь начинать изучать без математики. учить по документации . Скачай учебные датасеты простенькие, задавай им вопросы применяй и визуализируй.

4. scikit-learn - это машинное обучение, тебе понадобится разобраться что такое оценщик (estimator) и transformer (трансформатор). Также научится пользоваться пайплайнами, объект Pipeline это для старта, естественно.

5. statsmodels - это не много иной взгляд на машинное обучение он включает в себя инферентивную статистику. Например построив логистическую регрессию, я могу посредством этой библиотеки найти каким образом изменение на одну единицу одного из моих предикторов отражается на вероятности, так называемый маржинальный эффект. Это очень важно для бизнеса. Также A/B тесты тоже там, и многое многое другое.

4 и 5 также учить по документации она совершенно фантастического уровня особенно для scikit-learn + очень важный плюс В этой области есть классика это книга Statistical Learning книга написана профессорами стенфорда, в мире датасаенс она очень известна. Раньше она была написана на R, я ее читал на R в свое время, так вот 2023 году этим летом вышла python edition. Книга и код доступны бесплатно. https://www.statlearning.com/
Это уникальная книга без равных, но к ней надо быть готовым.

Часть Четвертая: Математика
Все что нужно есть на Khan Academy. Начни со своего уровня и вперед, математика тебе нужна вся. Особенно Calculus. Заходишь на Khan Academy и вперед проходи бесплатные курсы со своего уровня,
Algebra 1,
Algebra 2,
Precalculus,
AP/College Calculus AB
AP/College Calculus BC
Statistics and Probability
AP College Statistics

Вот эти курсы вот этом порядке, ты должен освоить, то есть в конце курса финальный тест, должен проходить играючи, и все делать на листке бумаги не читерить, сам себя обманешь. Потом книга что я указал выше, код в книге естественно в основном использует scikit-learn и statsmodels, + первые три библиотеки само собой.

Потом придется прочитать еще пару книг по теории вероятности и статистике отдельно (со временем). Если calculus на Khan Academy на должном уровне, то вот теория вероятности и статистика слабенькая, нужно будет добавлять.

В добавление еще SQL но поверхостно, уровень не сложных запросов и подзапросов. Все дела будут происходить в pandas.