Назад
Профессия Data Scientist
SkillFactory
Сложность
Для новичков
Длительность
24 месяца
Тип курса
Смешанный
Описание курса
Пройдите курс и освойте востребованную профессию с нуля за 24 месяца. Программа обучения разработана преподавателями-экспертами школы SkillFactory.
Курс «Профессия Data Scientist» подойдет как для новичков, которые не имеют специальной подготовки, но планируют построить карьеру в данной области, так и для практикующих специалистов, которые хотят получить новые знания и закрепить имеющиеся навыки.
Программа курса
Введение (1 неделя)
Вы сможете сформулировать для себя реальные цели обучения, узнаете, в чем ценность DS для бизнеса, познакомитесь с основными задачами дата-сайентиста и разберетесь, как строится разработка любого DS-проекта.
- INTRO-1. Как учиться эффективно — онбординг в обучение
- INTRO-2. Обзор профессии. Типы задач в Data Science. Этапы и подходы к разработке Data Science проекта
Проектирование разработки (5 недель)
Вы научитесь работать с основными типами данных с помощью языка Python и сможете применять в повседневной работе циклические конструкции, условные операторы и функци.
- PYTHON-1. Основы Python
- PYTHON-2. Погружение в типы данных
- PYTHON-3. Условные операторы
- PYTHON-4. Циклы
- PYTHON-5. Функции и функциональное программирование
- PYTHON-6. Практика
- PYTHON-7. Гид по стилю в среде Python (бонусный)
Работа с данными (8 недель)
На этом этапе вы овладеете базовыми навыками работы с данными: научитесь подготавливать, очищать и преобразовывать данные так, чтобы они были пригодны для анализа. Кстати, об анализе: вы будете анализировать данные с помощью популярных библиотек Matplotlib, Seaborn, Plotly.
- PYTHON-8. Инструменты Data Science
- PYTHON-9. Библиотека NumPy
- PYTHON-10. Введение в Pandas
- PYTHON-11. Базовые приемы работы с данными в Pandas
- PYTHON-12. Продвинутые приемы работы с данными в Pandas
- PYTHON-13. Очистка данных
- PYTHON-14. Визуализация данных
- PYTHON-15. Принципы ООП в Python и отладка кода (дополнительный модуль)
- Проект 1. Аналитика датасета по закрытым вопросам
Подгрузка данных (6 недель)
Вы сможете выгружать данные из разных форматов и источников. А поможет вам в этом SQL — язык структурированных запросов. Вы научитесь использовать агрегатные функции, соединения таблиц и сложные объединения.
- PYTHON-16. Как выгружать данные из файлов разных форматов
- PYTHON-17. Получение данных из веб-источников и API
- SQL-0. Привет, SQL!
- SQL-1. Основы SQL
- SQL-2. Агрегатные функции
- SQL-3. Соединение таблиц
- SQL-4. Сложные объединения
- Проект 2. Подгрузка новых данных. Уточнение анализа
Статистический анализ данных (7 недель)
Разведывательный анализ данных (EDA) — вот, что окажется в центре вашего внимания. Вы познакомитесь со всеми этапами такого анализа и научитесь проводить его с помощью библиотек Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Кроме того, вам удастся поработать на Kaggle, популярном сервисе по участию в соревнованиях.
- EDA-1. Введение в разведывательный анализ данных. Алгоритмы и методы EDA
- EDA-2. Математическая статистика в контексте EDA. Типы признаков
- EDA-3. Проектирование признаков (Feature Engineering)
- EDA-4. Статистический анализ данных на Питоне
- EDA-5. Статистический анализ данных на Питоне. Часть 2
- EDA-6. Проектирование экспериментов
- EDA-7. Kaggle площадка
- Проект 2
Введение в машинное обучение (9 недель)
Вы познакомитесь с ML-библиотеками для моделирования зависимостей в данных. Вы сможете обучить основные виды ML-моделей, провести валидацию, интерпретировать результаты работы и выбрать важные признаки (feature importance).
- ML-1. Теория машинного обучения
- ML-2. Обучение с учителем: Регрессия
- ML-3. Обучение с учителем: Классификация
- ML-4. Обучение без учителя: Кластеризация и техники понижение размерности
- ML-5. Валидация данных и оценка модели
- ML-6. Отбор и селекция признаков
- ML-7. Оптимизация гиперпараметров модели
- ML-8. ML Cookbook
- Проект 3. Задача классификации
Математика и машинное обучение. Часть 1 (6 недель)
Вы сможете решать практические задачи с помощью ручного счета и Python (векторные и матричные вычисления, работа с множествами, исследование функций с помощью дифференциального анализа).
- MATH&ML-1. Линейная алгебра в контексте Линейных методов. Часть 1
- MATH&ML-2. Линейная алгебра в контексте Линейных методов. Часть 2
- MATH&ML-3. Математический анализ в контексте задачи оптимизации Часть 1
- MATH&ML-4. Математический анализ в контексте задачи оптимизации. Часть 2
- MATH&ML-5. Математический анализ в контексте задачи оптимизации. Часть 3
- Проект 4. Задача регрессии
Математика и машинное обучение. Часть 2 (6 недель)
Вы познакомитесь с основными понятиями теории вероятности и математической статистики, алгоритмами кластеризации, а также научитесь оценивать качество произведенной кластеризации и представлять результаты в графическом виде.
- MATH&ML-6. Теория вероятностей в контексте Наивного Байесовского классификатора
- MATH&ML-7. Алгоритмы на основе Деревьев решений
- MATH&ML-8. Бустинг & Стекинг
- MATH&ML-9. Кластеризация и техники понижение размерности. Часть 1
- MATH&ML-10. Кластеризация и техники понижение размерности. Часть 2
- Проект 5. Ансамблевые методы
ML в бизнесе (8 недель)
Вы научитесь использовать ML-библиотеки для решения задачи временных рядов и рекомендательных систем. Вы сможете обучить ML-модель и провести её валидацию, а также создать работающий прототип и запустить модель в веб-интерфейсе. А ещё получите навыки A/B-тестирования, чтобы можно было оценить модель.
- MATH&ML-11. Временные ряды. Часть 1
- MATH&ML-12. Временные ряды. Часть 2
- MATH&ML-13. Рекомендательные системы. Часть 1
- MATH&ML-14. Рекомендательные системы. Часть 2
- PROD-1. Подготовка модели к Production
- PROD-2. ПрототипStreamlit+Heroku
- PROD-3. Бизнес понимание. Кейс
- Проект 6. Тема на выбор: Временные ряды или Рекомендательные системы
Профориентация (10 недель)
ML, CV или NLP: на этом этапе вам наконец предстоит сделать выбор, по какому пути двигаться дальше. Мы расскажем о каждой специализации и предложим решить несколько практических задач, чтобы вам было проще определиться.
Трек ML - Engineer (29 недель)
В ML-треке вы научитесь решать углубленные задачи машинного обучения, овладеете компетенциями дата-инженера, отточите навык работы с библиотеками Python. Также вы научитесь создавать MVP (минимально жизнеспособную версию продукта), узнаете все тонкости вывода ML-модели в продакшн и узнаете, как работают ML-инженеры в реальной жизни.
- Введение в Deep Learning
- Основы Data Engineering
- Дополнительные главы Python и ML
- Экономическая оценка эффектов и разработка MVP
- ML в Production
- Углубленное изучение ML-разработки и выпускной проект по выбранной теме
Трек CV - Engineer (29 недель)
На CV-треке вы научитесь решать такие задачи компьютерного зрения, как классификация изображений, сегментация и детекция, генерация и стилизация картинок, восстановление и повышение качества фотографий. Кроме того, вы узнаете, как выкатывать нейронные сети в продакшн.
- Введение в Deep Learning
- Основы Data Engineering
- Дополнительные главы Python и ML
- Экономическая оценка эффектов и разработка MVP
- ML в Production
- Углубленное изучение ML-разработки и выпускной проект по выбранной теме
Трек NLP - Engineer (7 недель)
В ходе обучения на NLP-треке вы узнаете, как решаются основные задачи обработки естественного языка, в том числе классификация, суммаризация и генерация текста, машинный перевод и создание диалоговых систем.
- Введение в Deep Learning
- Математика нейронных сетей для NLP
- Hard & Software для решения задач NLP
- Задачи и алгоритмы NLP
- Нейронные сети в Production
- Углубленное изучение NLP-разработки и выпускной проект по выбранной теме
Deep Learning и нейронные сети (Бонус)
Где применяются нейросети? Как обучить нейронную сеть? Что такое Deep Learning? Ответы на эти вопросы вы узнаете в бонусном разделе DL.
Введение в Data Engineering (Бонус)
Вы узнаете, в чём различие ролей дата-сайентиста и дата-инженера, какими инструментами пользуется последний в своей работе, какие задачи ежедневно решает. Слова «снежинка», «звезда» и «озеро» обретут новые значения :)
Преподаватели
Алек Леков
Senior ML-Engineer, МТС. Основные компетенции — временные ряды, Deep Learning и нейронные сети.
Занимается консалтингом в сфере AI.
Михаил Баранов
Автор раздела курса. Эксперт по Data Science Компетенции: машинное обучение, большие данные, Python.
Александр Рыжков
Автор раздела про KAGGLE. Руководитель команды LightAutoML Kaggle Grandmaster Компетенции: ML/DS, Python, математика, статистика, Kaggle.
Маргарита Бурова
Ведущий автор раздела MATH&ML. Эксперт по Data Science. Компетенции: Python, vашинное обучение, cтатистика, анализ данных.
Показать еще
Цена
51 850 746 сум
Скидка -40%
- 20 740 298 сум
Итого
31 110 448 сум
В рассрочку на 48 мес
1 080 224 UZS/мес
648 135 UZS/мес
Кешбэк
9 333 135 баллов
Похожие курсы
ООО «UBRAINS», ИНН 308432936
Республика Узбекистан, г. Ташкент, Мирабадский р-н, ул. Афросиаб 4б, каб. 102
Регистрационный номер 982705
© UBRAINS, 2023
© UBRAINS, 2023