Cours de science des données
La science des données est le domaine qui consiste à transformer des données brutes en informations pertinentes et en décisions intelligentes. Dans cette catégorie, vous apprendrez à collecter, traiter, analyser, visualiser et modéliser des données à l'aide d'outils tels que Python, SQL, l'apprentissage automatique et les plateformes de BI, vous préparant ainsi à relever des défis concrets axés sur les données.
4.5
Évalué en fonction des 365 avis.
6,739 ApprenantsDéjà inscrits
Compétences acquises :
A/B Test DesignAI Transparency AwarenessARIMA ModelingActivation Function AnalysisActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAdversarial Training ConceptsAffinement des promptsAjustement des hyperparamètresAlgorithm Evaluation and ComparisonAlgorithmes de bandit manchotAlgorithmes génétiquesAlignment and Generalization RisksAnalyse de l'équité et des biaisAnalyse des sériesAnalyse en composantes principales (ACP)Analyzing GAN Training ChallengesAnomaly detection evaluation Application des RNN aux tâches de NLP (analyse de sentiment)Applied Calibration WorkflowsApprentissage automatique avec scikit-learnApprentissage par différence temporelleApproximate InferenceApproximate ReasoningApproximation TheoryArrow Data ModelAttention Mechanisms TheoryAutomated Search with scikit-learnAutoregressive GenerationBackward Difference CodingBagging and Random ForestsBases de PyTorchBases de TensorFlowBayesian NetworksBayesian OptimizationBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBoosting AlgorithmsCadres d'IA responsableCalibration Metrics (ECE, MCE, Brier Score)CatBoost ModelingCatastrophic Forgetting AnalysisCategorical Feature HandlingChi-Square AnalysisClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Cloud Compute PatternsCloud Data Science WorkflowsCloud Mental ModelsCloud Networking ConceptsCloud Storage ArchitecturesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Clustering hiérarchique et dendrogrammesCoefficient VisualizationColumnar Data RepresentationCommittee-Based QueryingCompactness and ConvergenceCompression Trade-off ReasoningCompréhension des RNN, LSTM et GRUConcentration of MeasureConception de sorties structuréesConcepts de confidentialité des donnéesConditional IndependenceConjugate PriorsConstruction de pipelinesContinual Learning TheoryContinuity and BoundednessConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCritical Analysis of NTK LimitationsCross-validation techniquesCurse of DimensionalityDBSCAN : gestion du bruit et des formes irrégulièresData Access PatternsData InteroperabilityData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescente de gradientDescriptive StatisticsDiffusion Model TheoryDimensionality reduction evaluation Distance CollapseDistributional Analysis of Neural NetworksDocument Chunking and IndexingDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsDécomposition matricielleDétection des valeurs aberrantesDéveloppement et évaluation de modèles de bout en boutEffective DocumentationEmpirical Risk MinimizationEncodage des variablesEncoding Leakage PreventionEnsemble Learning FundamentalsEntraînement et évaluation de modèlesEntraînement et évaluation des modèlesEntropy and CompressionEntropy and Rate–Distortion AnalysisEstimator IntrospectionEthical AI PrinciplesEvaluation Under Distribution ShiftExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisExponential Family UnderstandingExpressivity of Neural NetworksFailure Analysis in RAGFailure Mode DiagnosisFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFine-tuning Pre-trained ModelsFonctions et ensemblesFondamentaux de l'éthique de l'IAFondements de l'apprentissage par renforcementForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingFunctional Analysis FoundationsFunctional Analysis in MLFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGANGAN FundamentalsGaussian DistributionGaussian Process CorrespondenceGeneralization BoundsGeneralization in Learning TheoryGenerative Model ConnectionsGeometric Implications for ML AlgorithmsGeometric InterpretabilityGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGestion des données manquantes et catégoriellesGestion du langage naturelGradient Boosting for TSGradient DescentGraph Embedding IntuitionGraph LaplaciansGraph Representation in PythonGraph Theory for MLGraphSAGE ConceptsHelmert CodingHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHypothesis TestingIA générativeIdentity and Access ManagementImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImplémentation de réseaux récurrents avec PyTorchImportance SamplingImputation des valeurs manquantesIn-Context Learning TheoryInductive BiasInductive Bias ReasoningInfinite-Width Neural Network TheoryInformation Bottleneck and MDLInformation Theory BasicsInformation Theory in NLPInformation-Theoretic LossesIngénierie des variablesIntelligence en essaimInterpreting Generalization BoundsIntégralesIsolation Forest ImplementationIsotonic RegressionJupyter Notebook ProficiencyK-Means : principes et optimisation des clustersKernel MethodsKernel Regression DynamicsKernel-based RegularizationKnowledge Distillation TheoryKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKnowledge Integration in LLMsKolmogorov–Smirnov TestL1, L2, and Elastic Net RegularizationLLM Failure ModesLabel Efficiency TechniquesLarge-Width Limit TheoryLatent Space GeometryLatent Space ReasoningLayer-wise Representation AnalysisLearning Curve AnalysisLeave-One-Out EncodingLightGBM ModelingLikelihood vs ProbabilityLimites et dérivéesLimits of LLM GeneralizationLinear Algebra FoundationsLinear Algebra for Deep LearningLink PredictionLocal Outlier Factor AnalysisLois de probabilitéLoss Function Selection and ComparisonLow-Rank Matrix IntuitionMLOps FundamentalsManifold IntuitionManual Search MethodsMarkov Chain Monte CarloMarkov Chains in Generative ModelingMarkov Random FieldsMathematical Formulation of GANsMathematical Foundations of AttentionMathematical Foundations of Loss FunctionsMathematical OptimizationMatrice de covariance et décomposition spectraleMaximum-Margin SolutionsMean Field Theory in Neural NetworksMean-CenteringMembership FunctionsMesures statistiquesMinimum-Norm SolutionsMise à l'échelle des variablesModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Scaling ConceptsModel Selection UtilitiesModel-Based Drift DetectionModèles de classification PythonModèles de diffusionModèles de mélanges gaussiens : clustering probabilisteMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMulti-Head Attention ConceptsMultinomial DistributionMultivariate AnalysisMéthodes de détection d'objetsMéthodes de programmation dynamiqueMétriques d’évaluation pour l’IA générativeNettoyage des donnéesNeural Network Architecture AnalysisNeural Network Compression TheoryNeural Network TheoryNeural Tangent Kernel FormalismNeuroévolutionNode ClassificationNormalisation des données et mesures de distanceNormalization (L1, L2, Max)Normed and Banach SpacesNotions de base de GymnasiumNull Handling in ArrowODE Formulations in Generative ModelsOffline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOperator TheoryOptimisation par essaim particulaireOptimisation évolutionnaireOptimization Constraints in Fine-TuningOptimization Dynamics in RLHFOptimization in Neural NetworksOutlier Detection FundamentalsOverfitting and RegularizationPAC Generalization BoundsPEFT Deployment ReasoningPEFT TheoryPGM Inference and LearningParameter Space GeometryPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPlatt ScalingPolynomial CodingPopulation Stability IndexPositional Encoding ConceptsPositive Definite KernelsPreprocessing PipelinesPrincipal Component Analysis TheoryPrincipes de transparencePrincipes fondamentaux de l’ingénierie de promptPrincipes fondamentaux et algorithmes de clusteringPrise de décision éthiqueProbabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsProgrammation PythonPrompt-Based GeneralizationPrompting avec quelques exemplesPrompting chaîne de penséePrétraitement des donnéesPyArrow API UsageQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRIPPER AlgorithmRKHS FoundationsRademacher ComplexityRandom Walks on GraphsReasoning over Knowledge GraphsRecord Linkage TechniquesRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regularization and Inductive BiasReliability DiagramsRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyResponsabilité dans l'IARetrieval-Augmented Generation FundamentalsReward Model TheoryRisk Minimization TheoryRobust Model AssessmentRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmRègles de probabilitéRéduction de dimensionnalitéRégression linéaire avec PythonRégression logistiqueRéseaux de neuronesRéseaux de neurones convolutifsSampling StrategiesSampling Strategies in MLScore MatchingSelf-Attention IntuitionSelf-Attention MechanismSemantic Directions in LLMsSemantic Retrieval ConceptsSensibilisation à la réglementationServerless and Event-Driven DesignSimilarity Scoring for GraphsSparsity and Effective DimensionalitySpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStability–Plasticity Trade-OffsStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStochastic Differential Equations (SDEs)Stochastic OptimizationStress Testing ML ModelsStructures de données PythonSubword Tokenization AlgorithmsSystèmes immunitaires artificielsSélection des variablesTF-IDF WeightingTechniques de Monte CarloTemporal ValidationTheoretical Deep Learning InsightsTheoretical Foundations of Zero-Shot GeneralizationTheoretical Limits of LearningTheoretical OverfittingThéorème de BayesTime Series AnalysisTime Series WindowingTokenization TheoryTrade-off Analysis in Model DesignTraining Dynamics in Mean Field RegimesTraitement automatique du langage naturelTraitement d'images avec OpenCVTraitement des séries temporelles et des données séquentiellesTransfer Learning FundamentalsTransfer Learning in CVTransfer Learning in NLPTransformation des donnéesTransformations linéairesTransformer Architecture TheoryTransformer Architecture UnderstandingTransformersTree-Based ForecastingTriple Scoring FunctionsUncertainty-Based QueryingUnderstanding GAN VariantsUnderstanding Representation CollapseUniform ConvergenceUtilisation des rôles et du contexte dans les promptsVAEVC DimensionVariational Inference & ELBOVecteurs et matricesVector Search TheoryVector Space ModelingVector and Raster Data HandlingVocabulary OptimizationWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test ApplicationÉvaluation des prompts
Afficher PlusFaites un court quiz et rapprochez-vous de vos objectifs !
80,000
Les étudiants ont déjà terminé les cours avec succès et appliquent leurs compétences en milieu professionnel.
92%
Les utilisateurs trouvent nos cours utiles
Cours
Cours
Parcourir Science des données Cours et projets
4 heures
25 chapitres
4 heures 32 chapitres
5 heures 29 chapitres
2 heures 16 chapitres
2 heures 19 chapitres
3 heures 24 chapitres
4 heures 34 chapitres
3 heures 22 chapitres
5 heures 51 chapitres
1 heure 9 chapitres
1 heure 12 chapitres
3 heures 20 chapitres
Niveau
Type de leçon
Technologies
cours
Introduction aux Réseaux de Neurones avec Python
4 heures 25 chapitresAvancé
6 ÉTUDIANT MAINTENANT
Compétences acquises : Réseaux de neurones, Entraînement et évaluation de modèles, Prétraitement des données, Ajustement des hyperparamètres, Apprentissage automatique avec scikit-learn
cours
Introduction à l'Apprentissage Automatique avec Python
4 heures 32 chapitresIntermédiaire
25 ÉTUDIANT MAINTENANT
Compétences acquises : Apprentissage automatique avec scikit-learn, Entraînement et évaluation de modèles, Ajustement des hyperparamètres
cours
Introduction au TALN avec Python
5 heures 29 chapitresAvancé
1 ÉTUDIANT MAINTENANT
Compétences acquises : Traitement automatique du langage naturel, Gestion du langage naturel
cours
Introduction à TensorFlow
2 heures 16 chapitresIntermédiaire
3 ÉTUDIANT MAINTENANT
Compétences acquises : Bases de TensorFlow, Réseaux de neurones, Structures de données Python, Prétraitement des données
cours
Régression Linéaire Avec Python
2 heures 19 chapitresIntermédiaire
6 ÉTUDIANT MAINTENANT
Compétences acquises : Régression linéaire avec Python, Entraînement et évaluation de modèles
cours
Classification avec Python
3 heures 24 chapitresIntermédiaire
5 ÉTUDIANT MAINTENANT
Compétences acquises : Programmation Python, Modèles de classification Python, Régression logistique, Prétraitement des données, Entraînement et évaluation des modèles, Ajustement des hyperparamètres
cours
Analyse de Clusters avec Python
4 heures 34 chapitresIntermédiaire
1 ÉTUDIANT MAINTENANT
Compétences acquises : Principes fondamentaux et algorithmes de clustering, Gestion des données manquantes et catégorielles, Normalisation des données et mesures de distance, K-Means : principes et optimisation des clusters, Clustering hiérarchique et dendrogrammes, DBSCAN : gestion du bruit et des formes irrégulières, Modèles de mélanges gaussiens : clustering probabiliste
cours
Réseaux de Neurones Récurrents avec Python
3 heures 22 chapitresIntermédiaire
Compétences acquises : Compréhension des RNN, LSTM et GRU, Implémentation de réseaux récurrents avec PyTorch, Traitement des séries temporelles et des données séquentielles, Application des RNN aux tâches de NLP (analyse de sentiment), Développement et évaluation de modèles de bout en bout
cours
Mathématiques pour la Science des Données
5 heures 51 chapitresDébutant
17 ÉTUDIANT MAINTENANT
Compétences acquises : Fonctions et ensembles, Analyse des séries, Limites et dérivées, Intégrales, Descente de gradient, Vecteurs et matrices, Transformations linéaires, Décomposition matricielle, Règles de probabilité, Théorème de Bayes, Mesures statistiques, Lois de probabilité
cours
Notions de Base de l’Ingénierie de Prompt
1 heure 9 chapitresDébutant
9 ÉTUDIANT MAINTENANT
Compétences acquises : Principes fondamentaux de l’ingénierie de prompt, Utilisation des rôles et du contexte dans les prompts, Prompting avec quelques exemples, Prompting chaîne de pensée, Conception de sorties structurées, Affinement des prompts, Évaluation des prompts
cours
Prétraitement des Données et Ingénierie des Variables
1 heure 12 chapitresDébutant
8 ÉTUDIANT MAINTENANT
Compétences acquises : Nettoyage des données, Imputation des valeurs manquantes, Détection des valeurs aberrantes, Encodage des variables, Mise à l'échelle des variables, Transformation des données, Ingénierie des variables, Sélection des variables, Construction de pipelines
cours
Essentiels de PyTorch
3 heures 20 chapitresAvancé
3 ÉTUDIANT MAINTENANT
Compétences acquises : Bases de PyTorch, Réseaux de neurones, Entraînement et évaluation de modèles
Choisissez une trajectoire de carrièreProgrammes complets pour maîtriser une voie professionnelle
Seulement pour Ultimate
7 Cours
182 Tâches
Avantages de Codefinity
Apprentissage assisté par IA
Adoptez la fascination des compétences technologiques ! Notre assistant IA fournit des retours en temps réel, des conseils personnalisés et des explications d'erreurs, vous permettant d'apprendre avec confiance.
Espaces de travail
Avec les espaces de travail, vous pouvez créer et partager des projets directement sur notre plateforme. Nous avons préparé des modèles pour votre commodité.
Parcours d'apprentissage
Prenez le contrôle de votre développement de carrière et commencez votre parcours pour maîtriser les technologies les plus récentes.
Projets réels
Les projets réels rehaussent votre portfolio, mettant en valeur des compétences pratiques pour impressionner les employeurs potentiels.
Pourquoi Codefinity se distingue
Contenu vidéo
Matériaux téléchargeables
Certificats de prestige
Environnement d'apprentissage interactif
Correction d'erreurs
Assistant IA
Accès à tout le contenu avec un abonnement
Codefinity
Plates-formes d'apprentissage par vidéo
Codefinity
Plates-formes d'apprentissage par vidéo
Contenu vidéo
Matériaux téléchargeables
Certificats de prestige
Environnement d'apprentissage interactif
Correction d'erreurs
Assistant IA
Accès à tout le contenu avec un abonnement
Opportunités de carrièreDécouvrez les professions les plus populaires, les salaires moyens et les entreprises cherchant activement des spécialistes dans ce domaine.
Scientifique Des Données
Analyste de Big Data
Ingénieur Nlp
Ingénieur en Apprentissage Profond
Chercheur En IA
$149k
$197k
$246k
Min
Average
Max
Salaire annuel
(Moyenne aux États-Unis)
Entreprises qui recrutent
*Source: Glassdoor
Choisi par les étudiants des meilleures écoles
Comprenant 30 sur les 30 meilleures universités américaines
Cours de science des données: Informations clés et questions
Introduction aux cours de science des données
Nous proposons de nombreux cours couvrant tous les aspects de la science des données, notamment la visualisation des données (comme « Visualisation ultime avec Python »), la manipulation des données avec Python (comme « Ultimate NumPy » ou « Techniques avancées dans pandas »), SQL (comme « Introduction à SQL ») et l'apprentissage automatique (comme « Introduction au ML avec scikit-learn » ou « Introduction aux réseaux de neurones »).
Avantages de nos cours de science des données
Nous offrons à nos clients un programme complet, une expérience pratique et des instructeurs experts.
Opportunités de carrière après avoir terminé les cours de science des données
Après avoir terminé un cours de science des données, il est possible de débuter une carrière dans divers postes axés sur les données, tels que data scientist, analyste de données, analyste en apprentissage automatique, analyste en intelligence d'affaires, ingénieur de données, etc.
Options en science des données
Nous proposons de nombreux cours couvrant tous les aspects de la science des données, notamment la visualisation des données (comme « Visualisation ultime avec Python »), la manipulation des données avec Python (comme « Ultimate NumPy » ou « Techniques avancées dans pandas »), SQL (comme « Introduction à SQL ») et l'apprentissage automatique (comme « Introduction au ML avec scikit-learn » ou « Introduction aux réseaux de neurones »).
Informations sur le certificat
Après avoir terminé l'un de nos cours liés à la science des données, vous recevrez un certificat attestant de vos compétences et connaissances en science des données.
Comment choisir le cours de science des données adapté ?
Il est nécessaire d'évaluer vos objectifs, de vérifier les prérequis et d'examiner le programme.
Quel est le meilleur cours dans la catégorie des cours de science des données ?
Nous proposons de nombreux excellents cours dans le domaine de la science des données, parmi lesquels on peut citer « Techniques avancées dans pandas », « Visualisation ultime avec Python » et « Introduction au ML avec scikit-learn ».
Pourquoi envisager de suivre un cours de science des données en ligne avec notre entreprise ?
Nous offrons à nos clients un programme complet, une expérience pratique et des instructeurs experts.
Conseils pour réussir un cours de science des données
Il est important de rester organisé, d'apprendre activement et de pratiquer régulièrement.
Quel est le coût de la formation pour les cours de science des données ?
Nous proposons des options tarifaires flexibles. Notre formule Pro commence à 49 $ par mois ou 99 $ pour trois mois, avec des économies sur notre formule Pro annuelle à 144 $. Notre formule Ultimate est à 59 $ par mois, 147 $ pour trois mois ou 299 $ par an. Chaque formule inclut l'accès à du contenu élaboré par des experts, des défis interactifs et une certification.
Quel cours de science des données convient le mieux aux débutants ?
Pour les débutants, de bonnes options peuvent être « Introduction à SQL » et « Premiers pas avec Pandas ».
Quelles sont les compétences clés requises pour exceller en science des données ?
Il est préférable d'avoir une expérience de base en programmation et des connaissances fondamentales en mathématiques.
Comment la science des données se compare-t-elle à l'apprentissage automatique ?
La science des données englobe l'ensemble du processus de travail avec les données, tandis que l'apprentissage automatique est un sous-ensemble de la science des données qui se concentre spécifiquement sur le développement et l'application d'algorithmes permettant aux ordinateurs d'apprendre à partir des données et de faire des prédictions.
Quel impact la science des données a-t-elle sur l'industrie ?
La science des données stimule l'innovation et l'efficacité dans divers secteurs en fournissant des informations exploitables, en améliorant la prise de décision et en optimisant les processus. Par exemple, elle aide les entreprises à comprendre les tendances du marché, le comportement des clients et l'efficacité opérationnelle.
Un cours de science des données est-il difficile ?
Le niveau de difficulté peut varier selon votre parcours et la complexité du cours. Les cours offrant une pratique concrète et un accompagnement peuvent rendre l'apprentissage plus accessible. Une compréhension de base des statistiques et de la programmation peut faciliter la progression.
Quel diplôme est nécessaire pour la science des données ?
Bien qu'un diplôme spécifique ne soit pas toujours requis, de nombreux data scientists possèdent des diplômes dans des domaines tels que l'informatique, les statistiques, les mathématiques ou l'ingénierie. Certains postes peuvent exiger des diplômes avancés ou des certifications spécialisées, mais l'expérience pratique et les compétences sont également très valorisées.
Ce que disent nos utilisateurs
Rejoignez 1,5+ million de personnes progressant dans les compétences en IA et en données chez Codefinity
Prêt à commencer ?
ProMeilleure offre d'introduction$12 /moisFacturé annuellement
Plus de 250 cours très bien notésCertificats de réussiteAssistant IA dans tous les cours
40+ hands-on Real-world projectsParcours d'étude personnalisésEspaces de travail illimitésUltimateTout pour booster votre carrière$25 /moisFacturé annuellement
Plus de 250 cours très bien notésCertificats de réussiteAssistant IA dans tous les cours40+ hands-on Real-world projectsParcours d'étude personnalisésEspaces de travail illimitésMeilleurs cours dans la Science des données catégorie
1. | Introduction aux Réseaux de Neurones avec Python |  4 heures |  25 chapitres |
2. | Introduction à l'Apprentissage Automatique avec Python | 4 heures | 32 chapitres |
3. | Introduction au TALN avec Python | 5 heures | 29 chapitres |
4. | Introduction à TensorFlow | 2 heures | 16 chapitres |
5. | Régression Linéaire Avec Python | 2 heures | 19 chapitres |
1. Introduction aux Réseaux de Neurones avec Python
Heures
Chapitres2. Introduction à l'Apprentissage Automatique avec Python
HeuresChapitres3. Introduction au TALN avec Python
HeuresChapitres4. Introduction à TensorFlow
HeuresChapitres5. Régression Linéaire Avec Python
HeuresChapitresSujets connexes sur le blog
Data Analytics
Data Science
by Kyryl SidakData Scientist, ML Engineer
Data Visualization
Data Analytics
Data Manipulation
Excel
by Anastasiia TsurkanBackend Developer
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
