
Tečaj Data Science in Data Analytics
Obvladaš celotno podatkovno znanstveno cev – od zbiranja in čiščenja podatkov do gradnje modelov strojnega učenja in njihovega uvajanja v produkcijo. Ta tečaj pokriva Python, SQL, statistiko, globoko učenje in BI orodja v enem celovitem programu. Ne glede na to, ali šele vstopaš na to področje ali nadgrajuješ svoje znanje, boš diplomiral/-a z veščinami, ki jih delodajalci aktivno iščejo.
Kaj bo vaš tim obvladal:
Naučil/-a se boš zbirati, čistiti in analizirati podatke iz resničnih virov z uporabo Pythona, pandas in SQL. Gradil/-a in ocenjeval/-a boš modele strojnega učenja za naloge klasifikacije, regresije in razvrščanja z uporabo scikit-learn. Tečaj pokriva statistično sklepanje, testiranje hipotez in vizualizacijo podatkov z Matplotlib, Seaborn in Plotly. Raziskal/-a boš napredne teme, vključno z nevronskimi mrežami, obdelavo naravnega jezika in ansambelskimi metodami, kot je XGBoost. Nazadnje se boš naučil/-a uvajati modele kot REST API-je, jih zapakirati v vsebnike z Dockerjem in jih spremljati v produkcijskih okoljih.
Kako se vaš tim uči v praksi Tečaj Data Science in Data Analytics
Kako vaš tim vadi Tečaj Data Science in Data Analytics
Strokovnjaki iz teh podjetij se izobražujejo na Dedika









Vsebina tečaja
8 Poglavji • 39 Uč lekcijeTrajanje med 4 in 360 urami (vi se odločite)
Poglavje 1SkrijSkrij podrobnostiPoglej podrobnostiTemelji podatkovne znanosti
Temelji podatkovne znanosti
Uč lekcija 1 • Spekter analitike
Predstavi opisno, diagnostično, napovedno in predpisno analitiko. Študenti vsako vrsto povežejo s poslovnimi vprašanji in pričakovanimi rezultati.
Uč lekcija 2 • Kaj je podatkovna znanost
Opredeli podatkovno znanost, njen obseg in kako se razlikuje od statistike in programskega inženirstva. Vzpostavi besedišče, ki se uporablja skozi celoten tečaj.
Uč lekcija 3 • Tipi in strukture podatkov
Obravnava strukturirane, polstrukturirane in nestrukturirane formate podatkov. Povezuje zavedanje o tipih podatkov z izbiro ustreznih orodij in metod.
Uč lekcija 4 • Nastavitev delovnega okolja
Vodi namestitev in konfiguracijo Pythona, Jupyterja in orodij za nadzor različic. Zagotavlja, da ima vsak študent funkcionalno, ponovljivo delovno okolje.
Poglavje 2SkrijSkrij podrobnostiPoglej podrobnostiZbiranje in shranjevanje podatkov
Zbiranje in shranjevanje podatkov
Uč lekcija 1 • NoSQL in možnosti shranjevanja v oblaku
Pregled dokumentnih, ključ-vrednost in stolpčnih NoSQL shramb skupaj z objektnim shranjevanjem v oblaku. Študenti izbirajo vrste shranjevanja glede na količino podatkov in vzorce poizvedb.
Uč lekcija 2 • Primarni in sekundarni viri podatkov
Loči med podatki prve, druge in tretje strani ter njihovimi kompromisi. Utemeljuje izbiro vira na podlagi kriterijev zanesljivosti in ustreznosti.
Uč lekcija 3 • Gradnja preprostih podatkovnih cevi
Združuje veščine zbiranja in shranjevanja v avtomatizirane delovne tokove zajemanja. Študenti pišejo skripte, ki zanesljivo ekstrahirajo, transformirajo in nalagajo podatke.
Uč lekcija 4 • Spletno strganje in API-ji
Uči programski zajem podatkov z uporabo REST API-jev in HTML strganja. Študenti ekstrahirajo in razčlenjujejo resnične podatke iz živih spletnih virov.
Uč lekcija 5 • Osnove relacijskih baz podatkov
Predstavi relacijske modele, oblikovanje shem in SQL poizvedbe. Povezuje veščine podatkovnih baz z učinkovitim zajemom strukturiranih podatkov.
Poglavje 3SkrijSkrij podrobnostiPoglej podrobnostiUrejanje in predobdelava podatkov
Urejanje in predobdelava podatkov
Uč lekcija 1 • Tehnike transformacije podatkov
Uporabi normalizacijo, standardizacijo, kodiranje in razvrščanje v zaboje za pripravo značilk. Povezuje transformacije z zahtevami združljivosti nadaljnjih modelov.
Uč lekcija 2 • Preoblikovanje in združevanje naborov podatkov
Uči vrtenja, taljenja, združevanja in povezovanja več DataFrame-ov. Študenti združujejo podatke iz več virov v enotne analitične tabele.
Uč lekcija 3 • Osnove raziskovalne analize podatkov
Uporabi povzetke statistike in porazdelitve za razumevanje značilnosti nabora podatkov. Nudi diagnostični pogled, potreben pred začetkom čiščenja.
Uč lekcija 4 • Obravnavanje manjkajočih in pokvarjenih podatkov
Obravnava strategije zaznavanja, imputacije in odstranjevanja za nepopolne zapise. Študenti izbirajo metode na podlagi mehanizmov manjkanja (MCAR, MAR, MNAR).
Uč lekcija 5 • Osnove inženiringa značilk
Z uporabo domenske logike ustvari nove napovedne značilke iz obstoječih spremenljivk. Prikazuje, kako oblikovane značilke izboljšajo zmogljivost modela.
Poglavje 4SkrijSkrij podrobnostiPoglej podrobnostiVizualizacija podatkov in podatkovno pripovedništvo
Vizualizacija podatkov in podatkovno pripovedništvo
Uč lekcija 1 • Načela učinkovite vizualizacije
Obravnava zaznavne principe, izbiro grafikonov in pogoste pasti vizualizacije. Odločitve o oblikovanju utemeljuje na razumevanju občinstva in celovitosti podatkov.
Uč lekcija 2 • Interaktivna vizualizacija s Plotly
Ustvarja grafikone in dashboarde, ki podpirajo premik miške in povečavo, z uporabo Plotly in Dash. Razširja statične veščine na spletno pripravljeno, uporabniško vodeno raziskovanje.
Uč lekcija 3 • Podatkovno pripovedništvo in predstavitev
Strukturira analitične ugotovitve v koherentne pripovedi za izvršna občinstva. Študenti oblikujejo predstavitve in poročila, ki vodijo k odločitvam.
Uč lekcija 4 • Geoprostorski in multivariatni vizualni prikazi
Predstavi kloropletne karte, toplotne karte in vzporedne koordinate za kompleksne podatke. Študenti učinkovito vizualizirajo prostorske in visokodimenzionalne relacije.
Uč lekcija 5 • Statična vizualizacija z Matplotlib in Seaborn
Gradi stolpčne, linijske, razsevne in porazdelitvene grafikone z uporabo knjižnic Python. Študenti prilagajajo estetiko in opombe za profesionalen izpis.
Poglavje 5SkrijSkrij podrobnostiPoglej podrobnostiStatistična analiza in sklepanje
Statistična analiza in sklepanje
Uč lekcija 1 • Okvir za testiranje hipotez
Predstavi ničelno in alternativno hipotezo, p-vrednosti ter napake tipa I/II. Študenti uporabijo okvir na realnih poslovnih in znanstvenih vprašanjih.
Uč lekcija 2 • Pogosti statistični testi
Uporabi t-teste, hi-kvadrat, ANOVA in Mann-Whitney teste za ustrezne tipe podatkov. Študenti izbirajo teste na podlagi podatkovne lestvice in predpostavk porazdelitve.
Uč lekcija 3 • Korelacijska in regresijska analiza
Meri linearne povezave in gradi enostavne ter multiple regresijske modele. Povezuje opisno statistiko s prediktivnim modeliranjem, ki bo predstavljeno kasneje.
Uč lekcija 4 • Verjetnost in porazdelitve
Obravnava pravila verjetnosti, slučajne spremenljivke in ključne porazdelitve (normalna, binomska, Poissonova). Zagotavlja matematično osnovo za vse inferenčno delo.
Uč lekcija 5 • Vzorčenje in ocenjevanje
Uči strategije vzorčenja, intervale zaupanja in točkovno ocenjevanje. Povezuje vzorčne statistike s sklepanjem o parametrih populacije.
Poglavje 6SkrijSkrij podrobnostiPoglej podrobnostiOsnove strojnega učenja
Osnove strojnega učenja
Uč lekcija 1 • Regresijski algoritmi
Razširi linearno regresijo na regularizirane modele (Ridge, Lasso) in drevesne regresorje. Študenti napovedujejo zvezne izide in interpretirajo koeficiente.
Uč lekcija 2 • Osnovni koncepti in delovni tok strojnega učenja
Opredeli delitve na učno, validacijsko in testno množico, kompromis med pristranskostjo in varianco ter prekomerno prileganje. Vzpostavi celovito cev strojnega učenja, ki se uporablja v vsakem naslednjem modelu.
Uč lekcija 3 • Ocenjevanje in izbira modelov
Uporabi navzkrižno preverjanje, matrike zmede, ROC-AUC in RMSE za ocenjevanje modelov. Študenti izberejo najboljši model za dano nalogo z uporabo objektivnih metrik.
Uč lekcija 4 • Klasifikacijski algoritmi
Obravnava logistično regresijo, odločitvena drevesa, k-NN in metodo podpornih vektorjev. Študenti učijo in primerjajo klasifikatorje na označenih naborih podatkov.
Uč lekcija 5 • Gručenje in zmanjševanje dimenzionalnosti
Uporabi k-means, DBSCAN in PCA za odkrivanje strukture v neoznačenih podatkih. Študenti interpretirajo profile gruč in reprezentacije z zmanjšano dimenzionalnostjo.
Poglavje 7SkrijSkrij podrobnostiPoglej podrobnostiNapredno strojno učenje in globoko učenje
Napredno strojno učenje in globoko učenje
Uč lekcija 1 • Optimizacija hiperparametrov
Uporabi mrežno iskanje, naključno iskanje in Bayesovo optimizacijo za uglaševanje modelov. Študenti avtomatizirajo uglaševanje in sistematično dokumentirajo izboljšave zmogljivosti.
Uč lekcija 2 • Osnove nevronskih mrež
Gradi vnaprejšnje mreže s Kerasom, obravnava plasti, aktivacije in povratno razširjanje napake. Povezuje mehaniko nevronskih mrež z modeli globokega učenja, ki sledijo.
Uč lekcija 3 • Osnove obdelave naravnega jezika
Obravnava tokenizacijo, TF-IDF, vložitve besed in klasifikacijo na podlagi transformerjev. Študenti gradijo klasifikatorje besedil in analizatorje sentimenta.
Uč lekcija 4 • Ansambelske metode
Obravnava bagging, boosting in zlaganje z Random Forest, XGBoost in LightGBM. Študenti uglašujejo ansamble za doseganje najsodobnejše zmogljivosti na tabelaričnih podatkih.
Uč lekcija 5 • Konvolucijske in rekurentne mreže
Predstavi CNN za slikovne naloge in RNN/LSTM za sekvenčne podatke. Študenti uporabijo prenosno učenje za pospešitev razvoja modelov.
Poglavje 8SkrijSkrij podrobnostiPoglej podrobnostiUvedba modelov v produkcijo
Uvedba modelov v produkcijo
Uč lekcija 1 • Gradnja REST API-jev za modele
Zavije naučene modele v končne točke FastAPI za sklepanje v realnem času. Študenti testirajo, dokumentirajo in zavarujejo API-je za napovedi.
Uč lekcija 2 • Pakiranje in serializacija modelov
Shranjuje in nalaga modele z uporabo pickle, joblib in ONNX za prenosljivost. Zagotavlja ponovljivost med okolji in člani ekipe.
Uč lekcija 3 • Vsebništvo z Dockerjem
Zapakira API-je modelov v vsebnike Docker za dosledno, prenosljivo uvedbo. Študenti pišejo Dockerfile in upravljajo slike za storitve strojnega učenja.
Uč lekcija 4 • Uvajanje v oblak in skaliranje
Uvaja modele v vsebnikih na oblačne platforme z uporabo upravljanih storitev. Študenti konfigurirajo samodejno skaliranje in uravnoteženje obremenitve za produkcijski promet.
Uč lekcija 5 • Spremljanje modelov in ponovno učenje
Zaznava podatkovni zdrs, poslabšanje zmogljivosti in konceptualni zdrs pri živih modelih. Študenti implementirajo avtomatizirane sprožilce za ponovno učenje in cevovode za opozarjanje.
Vaš veljaven certifikat o zaključku
Ta tečaj je namenjen vam:
Karierni prehajalci: željni vstopa v visoko povpraševano področje iz nepovezanega ozadja.
Poslovni analitiki: pripravljeni preseči dashboarde in stopiti na področje napovednega modeliranja.
Nedavni diplomanti: želijo izstopati z uporabnimi, delodajalcem pomembnimi tehničnimi veščinami.
Razvijalci programske opreme: želijo se razširiti na področje podatkovne znanosti in strojnega učenja.
Strokovnjaki za trženje: želijo pretvoriti podatke kampanj v uporabne strateške vpoglede.
Raziskovalci: želijo uporabiti računske metode na svojih področno specifičnih naborih podatkov.
Povezani tečaji
Pogosta vprašanja
Kdo je Dedika?
Ali potrdilo velja v Slovenija?
Ali so tečaji brezplačni?
Kakšna je obremenitev tečaja?
Kakšni so tečaji?
Kako potekajo tečaji?
Kakšno je trajanje tečajev?
Kakšna je cena tečajev?
Kaj je EAD ali spletni tečaj in kako deluje?
PDF tečaj



















