Data Scientist de la zero la PRO - curs 233.640 RUB. de la SkillFactory, antrenament 24 de luni, Data 15 august 2023.

BAZA

În această etapă, veți învăța elementele de bază ale programării în Python, veți învăța cum să preprocesați și să analizați datele și, de asemenea, vă veți familiariza cu sarcinile principale ale unui cercetător de date.

Introducere - 1 săptămână

Veți putea să vă formulați obiective reale de învățare, să aflați care este valoarea DS pentru afaceri, familiarizați-vă cu sarcinile principale ale unui om de știință de date și înțelegeți cum se dezvoltă oricare Proiect DS.
INTRODUCERE-1. Cum să studiezi eficient - integrarea în formare
INTRODUCERE-2. Prezentare generală a profesiei. Tipuri de probleme în Data Science. Etape și abordări ale dezvoltării unui proiect Data Science

Design de dezvoltare - 5 săptămâni

Veți învăța să lucrați cu tipuri de date de bază folosind Python și veți putea să utilizați constructe în buclă, instrucțiuni condiționate și funcții în munca de zi cu zi.
PYTHON-1. Bazele Python
PYTHON-2. Scufundarea în tipuri de date
PYTHON-3. Declarații condiționale
PYTHON-4. Cicluri
PYTHON-5. Funcții și programare funcțională
PYTHON-6. Practică
PYTHON-7. Ghid de stil Python (Bonus)

Matematică de bază - 7 săptămâni

MATEMATIC-1. Numere și expresii
MATEMATIC-2. Ecuații și inegalități
MATEMATIC-3. Concepte de bază ale teoriei funcțiilor
MATEMATIC-4. Bazele geometriei: planimetrie, trigonometrie și stereometrie
MATEMATIC-5. Seturi, logica si elemente de statistica
MATEMATIC-6. Combinatorică și bazele teoriei probabilităților
MATEMATIC-7. Rezolvarea problemelor

Lucrul cu date - 8 săptămâni 

În această etapă, veți stăpâni abilitățile de bază ale datelor: cum să pregătiți, să curățați și să transformați datele astfel încât să fie potrivite pentru analiză. Apropo de analiză: veți analiza datele folosind bibliotecile populare Matplotlib, Seaborn, Plotly.

PYTHON-8. Instrumente pentru știința datelor
PYTHON-9. Biblioteca NumPy
PYTHON-10. Introducere în Panda
PYTHON-11. Tehnici de bază pentru lucrul cu date în Pandas
PYTHON-12. Tehnici avansate de date în Pandas
PYTHON-13. Curățarea datelor
PYTHON-14. Vizualizarea datelor
PYTHON-15. Principiile OOP în Python și codul de depanare (modul opțional)
Proiectul 1. Analiza setului de date pentru probleme închise

Încărcarea datelor - 6 săptămâni

Veți putea descărca date din diferite formate și surse. Și SQL, un limbaj de interogare structurat, vă va ajuta în acest sens. Veți învăța să utilizați funcții de agregare, îmbinări de tabel și îmbinări complexe.
PYTHON-16. Cum să descărcați date din fișiere de diferite formate
PYTHON-17. Preluarea datelor din surse web și API-uri
SQL-0. Bună ziua SQL!
SQL-1. Bazele SQL
SQL-2. Funcții agregate
SQL-3. Îmbinarea meselor
SQL-4. Imbinari complexe
Proiectul 2. Se încarcă date noi. Rafinarea analizei

Analiza datelor statistice - 7 săptămâni 

Analiza datelor de inteligență (EDA) este ceea ce vă va concentra. Vă veți familiariza cu toate etapele unei astfel de analize și veți învăța cum să o efectuați folosind bibliotecile Statmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. În plus, veți putea lucra la Kaggle, un serviciu popular pentru participarea la competiții.
EDA-1. Introducere în analiza datelor inteligente. Algoritmi și metode EDA
EDA-2. Statistica matematică în contextul EDA. Tipuri de caracteristici
EDA-3. Inginerie caracteristică
EDA-4. Analiza statistică a datelor în Python
EDA-5. Analiza statistică a datelor în Python. Partea 2
EDA-6. Proiectarea experimentelor
EDA-7. Platforma Kaggle
Proiectul 2

Introducere în învățarea automată - 9 săptămâni

Vă veți familiariza cu bibliotecile ML pentru modelarea dependențelor de date. Veți putea să instruiți principalele tipuri de modele ML, să efectuați validarea, să interpretați rezultatele muncii și să selectați caracteristici importante (importanța caracteristicii).
ML-1. Teoria învățării automate
ML-2. Învățare supravegheată: regresie
ML-3. Învățare supravegheată: clasificare
ML-4. Învățare nesupravegheată: Tehnici de grupare și reducere a dimensionalității
ML-5. Validarea datelor și evaluarea modelului
ML-6. Selecția și selecția trăsăturilor
ML-7. Optimizarea hiperparametrilor modelului
ML-8. Cartea de bucate ML
Proiectul 3. Problema de clasificare

UNITATEA PRINCIPALA

Algebră liniară, analiză matematică, matematică discretă - sună înfricoșător, dar nu vă speriați: vom analiza toate aceste subiecte și vă vom învăța cum să lucrați cu ele! În a doua etapă, te vei scufunda în matematică și în noțiunile de bază ale învățării automate, vei afla mai multe despre profesiile DS și, prin îndrumarea în carieră, vei selecta un curs de studiu în al doilea an.

Matematică și învățare automată. Partea 1 - 6 săptămâni

Veți putea rezolva probleme practice folosind calculul manual și Python (calcule vectoriale și matrice, lucrul cu mulțimi, studierea funcțiilor folosind analiza diferențială).
MATH&ML-1. Algebra liniară în contextul metodelor liniare. Partea 1
MATH&ML-2. Algebra liniară în contextul metodelor liniare. Partea 2
MATH&ML-3. Analiza matematică în contextul unei probleme de optimizare Partea 1
MATH&ML-4. Analiza matematică în contextul unei probleme de optimizare. Partea 2
MATEMATICĂ&ML-5. Analiza matematică în contextul unei probleme de optimizare. Partea 3
Proiectul 4. Problemă de regresie

Matematică și învățare automată. Partea 2 - 6 săptămâni

Te vei familiariza cu conceptele de bază ale teoriei probabilităților și statisticii matematice, algoritmi clustering și, de asemenea, să învețe să evalueze calitatea grupării efectuate și să prezinte rezultatele în forma grafica.
MATH&ML-6. Teoria probabilității în contextul unui clasificator Naive Bayes
MATH&ML-7. Algoritmi bazați pe arbori de decizie
MATH&ML-8. Boosting & Stacking
MATH&ML-9. Tehnici de grupare și reducere a dimensionalității. Partea 1
MATH&ML-10. Tehnici de grupare și reducere a dimensionalității. Partea 2
Proiectul 5. Metode de ansamblu

Matematică discretă - 4 săptămâni

MATH&MGU-1 Seturi și combinatorie
MATH&MGU-2 Logica
MATH&MGU-3 Grafice. Partea 1
MATH&MGU-4 Grafice. Partea 2

ML în afaceri - 8 săptămâni

Veți învăța să utilizați bibliotecile ML pentru a rezolva probleme de serie de timp și sisteme de recomandare. Veți putea să antrenați un model ML și să-l validați, precum și să creați un prototip funcțional și să rulați modelul în interfața web. Și, de asemenea, obțineți abilități de testare A/B, astfel încât să puteți evalua modelul.
MATH&ML-11. Serii de timp. Partea 1
MATH&ML-12. Serii de timp. Partea 2
MATH&ML-13. Sisteme de recomandare. Partea 1
MATH&ML-14. Sisteme de recomandare. Partea 2
PROD-1. Pregatirea modelului pentru productie
PROD-2. PrototipStreamlit+Heroku
PROD-3. Înțelegerea afacerilor. Caz
Proiectul 6. Subiect din care să alegeți: Serii cronologice sau Sisteme de recomandare

NIVEL PRO

În a treia etapă, vă veți familiariza cu una dintre metodele de învățare automată - învățarea profundă (DL). Și, de asemenea, vă așteaptă un bloc cu drepturi depline al specializării alese: puteți stăpâni abilitățile de învățare automată (ML), familiarizați-vă cu rutina CV-ului (viziunea computerizată) sau îmbunătățiți NLP*, procesarea naturală limba.

Anul doi de studiu - 3 specializări din care să alegeți

Îndrumare in cariera

ML, CV sau NLP: în această etapă trebuie să alegeți în sfârșit calea pe care să o urmați. Vă vom povesti despre fiecare specializare și vă oferim să rezolvați mai multe probleme practice pentru a vă fi mai ușor să vă decideți.

Track ML - inginer

În cursul ML, veți învăța să rezolvați probleme de învățare automată în profunzime, să vă stăpâniți competențele unui inginer de date și să vă îmbunătățiți abilitățile de lucru cu bibliotecile Python. Veți învăța, de asemenea, cum să creați un MVP (versiune minimă viabilă a unui produs), să aflați toate complexitățile producției unui model ML și să aflați cum lucrează inginerii ML în viața reală.
Introducere în Deep Learning
Bazele ingineriei datelor
Capitole suplimentare Python și ML
Evaluarea economică a efectelor și dezvoltarea MVP
ML la producție
Studiu aprofundat al dezvoltării ML și al proiectului de absolvire pe o temă aleasă

Track CV - inginer

Pe traseul de CV veți învăța să rezolvați probleme de vedere computerizată, cum ar fi clasificarea imaginilor, segmentare și detecție, generare și stilizare de imagini, restaurare și îmbunătățire a calității fotografii. În plus, veți învăța cum să implementați rețelele neuronale în producție.
Introducere în Deep Learning
Bazele ingineriei datelor
Capitole suplimentare Python și ML
Evaluarea economică a efectelor și dezvoltarea MVP
ML la producție
Studiu aprofundat al dezvoltării ML și al proiectului de absolvire pe o temă aleasă

Track NLP - inginer

În timpul antrenamentului pe pista NLP, veți învăța cum să rezolvați principalele probleme ale procesării limbajului natural, în inclusiv clasificarea, rezumarea și generarea de text, traducerea automată și crearea de dialog sisteme
Introducere în Deep Learning
Matematică rețelelor neuronale pentru NLP
Hard & Software pentru rezolvarea problemelor NLP
Sarcini și algoritmi NLP
Rețele neuronale în producție
Studiu aprofundat al dezvoltării NLP și al proiectului de absolvire pe o temă aleasă

Dacă alegi specializarea CV sau ML, poți urma gratuit cursul NLP fără suport de mentor.

Învățare profundă și rețele neuronale

Unde sunt folosite rețelele neuronale? Cum să antrenezi o rețea neuronală? Ce este Deep Learning? Veți afla răspunsurile la aceste întrebări în secțiunea bonus a DL.

Introducere în ingineria datelor

Veți afla diferența dintre rolurile unui cercetător de date și al unui inginer de date, ce instrumente folosește acesta din urmă în munca sa și ce sarcini rezolvă zilnic. Cuvintele „fulg de zăpadă”, „stea” și „lac” vor căpăta semnificații noi :)