სერტიფიცირებადი Python + შესავალი მონაცემთა მეცნიერებაში

კურსის აღწერა:

განრიგი: სამშაბათი, პარასკევი 20:00 - 22:00

კურსის მიზანი:

• შეასწავლოს მსმენელს Python პროგრამირების ენის ფუნდამენტური საკითხები და განუვითაროს მას პროგრამისტის სისტემური აზროვნების უნარები;
• შეასწავლოს მსმენელს მონაცემთა მეცნიერების (Data Science) საბაზისო საკითხები და Python-ის დახმარებით მათი პრაქტიკაში გამოყენების მეთოდები;
• მოამზადოს მსმენელი PCEP (Certified Entry-Level Python Programmer) საერთაშორისო სასერტიფიკატო გამოცდის ჩასაბარებლად;

---

კურსის კონცეფცია:

• მსმენელები სიღრმისეულად გაეცნობიან Python პროგრამირების ენის საკვანძო კონცეფციებს, აუცილებელ თეორიას და მის პრაქტიკულ გამოყენებას;
• ასევე მსმენელები განავითარებენ პროგრამისტისთვის საჭირო სისტემური აზროვნების უნარებს, რაც განაპირობებს მათ სწორი მიმართულებით განვითარებას;
• კურსის მასალა ორგანიზებულია ისე, რომ მსმენელს მისი გავლის შემდეგ შეეძლება PCEP (Certified Entry-Level Python Programmer) გამოცდაზე გასვლა და საერთაშორისო სერტიფიკატის აღება. PCEP გამოცდაზე გასვლის საფასურს სრულად აანაზღაურებს კომპანია SKY21;
• ლექციის მიმდინარეობისას ყურადღება იქნება გამახვილებული Python-ის სხვადასხვა ინსტრუმენტის, მეთოდის და გადაწყვეტილების პრაქტიკულ გამოყენებაზე, რეალური, მარტივი და საშუალო დონის პროექტების დაპროგრამებით;
• Live Coding გამოცდა – შესაძლებლობა, რეალურ დროში გამოსცადოთ და წარმოაჩინოთ თქვენი უნარები.
• პროგრეს ტესტები ყოველი ლექციის დასაწყისში – დაგეხმარებათ წინა მასალის განმტკიცებაში და თქვენი როგორც თეორიული, ისე პრაქტიკული ცოდნის გაუმჯობესებაში.
• გარდა ამისა, კურსის მეორე ნაწილი ითვალისწინებს მონაცემთა მეცნიერის სპეციალობაში (Data Science) შესავალს, პრაქტიკული ცოდნის მიღებით და რეალური პროექტების რეალიზებით;
• აღსანიშნავია, რომ მონაცემთა მეცნიერების სექციის საკითხები განხილული იქნება მინიმალურად საჭირო მათემატიკური ცოდნის გამოყენებით, ინტუიციურად აღსაქმელ პრაქტიკულ ჭრილში;

---

ინსტრუმენტები და მინიმალური მოთხოვნები:

მსმენელს კურსის გავლისთვის დასჭირდება კომპიუტერი, მასზე დაინსტალირებული Python ენით და Pandas პაკეტით. ასევე, ინტერნეტთან ხარისხიანი კავშირი და Google-ს სტანდარტული ანგარიში (უფასო). კურსის მასალის ასათვისებლად მსმენელი უმეტესწილად გამოიყენებს თავისი კომპიუტერის ლოკალურ გარემოს და ონლაინ Colab სერვისს.

კურსის გასავლელად მსმენელს რაიმე ტექნოლოგიის ცოდნა არ მოეთხოვება. ის განკუთვნილია სრული დამწყებებისთვის.

---

დავალებები, პროექტები და გამოცდა:

• ლექციებისას, განვლილი მასალის საფუძველზე მსმენელს მიეცემა დავალებები და მინი-პროექტები რათა მოხდეს მისი შემოწმება, თუ როგორ შეუძლია მას ამა თუ იმ პრაქტიკული ქეისის რეალიზაცია;
• საბაზისო Python-ის სექციის დასრულების შემდეგ მსმენელი ჩააბარებს შუალედურ გამოცდას;
• კურსის ბოლოს მსმენელს მიეცემა პროექტი, რომლის რეალიზაცია მან უნდა მოახდინოს მონაცემთა მეცნიერების სექციაში განხილული ინსტრუმენტებით და მეთოდებით;

---

კურსის პროგრამა:

საბაზისო Python-ის სექცია

1. Python-ის ენის თავისებურებები და ფილოსოფია
2. ცვლადების ტიპები, შეცვლადი და უცვლადი
3. პირობის და ამორჩევის ოპერატორები
4. განმეორებადი ოპერაციების ავტომატიზაცია: ციკლები
5. ფაილებთან და საცავებთან მუშაობა
6. მონაცემთა სტრუქტურები: სიები, კორტეჟები, სიმრავლეები, ლექსიკონები
7. პროგრამის მდგრადობის უზრუნველყოფა, შეცდომების დაჭერა
8. ობიექტზე ორიენტირებული პროგრამირების საფუძვლები (OOP)

მონაცემთა მეცნიერების სექცია (Data Science):

1. მონაცემთა ანალიზის საფუძვლები, Pandas ფრეიმვორკი
2. მონაცემთა ანალიტიკოსი vs მონაცემთა მეცნიერი
3. Pandas-ის ძირითადი ფუნქციები და მონაცემთა მანიპულაცია
4. Pandas: მონაცემების ჩატვირთვა, ფილტრაცია და ვიზუალიზაცია
5. “ადამიანური განსწავლის” მეთოდოლოგია რეალურ მონაცემებზე
6. მოდელის “Baseline”-ს შექმნა და მისი ეტაპობრივი გაუმჯობესება
7. საშუალო და მედიანის მარტივი ალგორითმები
8. “მანქანური განსწავლის” მეთოდოლოგია რეგრესიულ მოდელებში
9. მოდელის “ტრენინგი” და მისი პარამეტრები
10. რეგრესიის მეტრიკები და დანაკარგის ფუნქციის ცნება
11. მოდელის ანალიზის ეტაპი, შეცდომების შესწავლა, “SHAP”
12. “Feature”-ბის მნიშვნელობა მოდელში
13. ვიზუალიზაცია და დამოკიდებულებების პოვნა
14. კლასიფიკაციის ამოცანები: მოდელის “ტრენინგი” და “uplift”
15. მახასიათებლები და “SHAP” ანალიზი
16. კლასიფიკაციის ამოცანებთან მუშაობა
17. “Precision”, “Recall” და “F1” შეფასების გააზრება
18. “ROC AUC” და კლასების ბალანსის ცნება
19. მეტრიკების შედარება და ვიზუალიზაცია
20. “კროს-ვალიდაცია” და “Grid Search”
21. “Feature” ინჟინერია და კალიბრაცია
22. ტექსტური მახასიათებლები და როლები

სილაბუსი გაშლილად

---

რას შეძლებს და რა ეცოდინება მსმენელს კურსის გავლის შემდეგ?

• მარტივი და საშუალო დონის პროგრამების დაწერას Python ენაზე;
• პროგრამისტის სისტემური აზროვნების უნარები;
• მიღებული ცოდნით საერთაშორისო სასერტიფიკატო PCEP (Certified Entry-Level Python Programmer) გამოცდაზე გასვლას;
• მონაცემთა მეცნიერების საბაზისო ცოდნის აუცილებელი ფუნდამენტი;
• Pandas მოდულით მონაცემებთან მუშაობას;
• რეალურ მონაცემებზე “ადამიანური განსწავლის” მეთოდოლოგია;
• რეალურ მონაცემებზე “მანქანური განსწავლის” მეთოდოლოგია;
• მოდელების “ტრენინგს”, ანალიზს, ვიზუალიზაციას და სხვ.