Курс «Data Scientist»
Видеоуроки / В группе с наставником / Обучение в ЛК на сайте автора
Полная программа обучения Python для получения профессии «Специалист по машинному обучению».
Обновлено: 16.10.2024
Источник изображения: Unsplash
- Оплата на сайте автора. Цена может отличаться.
- Доступен в рассрочку
Варианты участия
Базовый
6 050 ₽ /мес.
- Скидка 40%
- Цена без скидки — 10 083 ₽/мес.
- Менторы отвечают на вопросы по темам курса в Slack.
- Координаторы помогают в обучении, решают технические проблемы.
- Интерактивные вебинары.
- Доступ к материалам курса навсегда.
- Центр карьеры.
Оптимальный
8 979 ₽ /мес.
- Скидка 40%
- Цена без скидки — 14 965 ₽/мес.
- Все опции базового тарифа.
- 12 часов индивидуальных консультаций с ментором.
- Дополнительная карьерная консультация.
- Тестовое техническое собеседование с экспертом.
VIP
19 390 ₽ /мес.
- Скидка 40%
- Цена без скидки — 32 317 ₽/мес.
- Все опции базового и оптимального тарифа.
- Персональный ментор: полное сопровождение в процессе обучения, ответы на любые вопросы по теории и практике, созвоны 2 раза в неделю.
- Совместный проект с ментором по вашему выбору.
- 24 месяца
- Срок доступа: бессрочный
- Обучение: в ЛК на сайте автора
- Когда будете учиться: строго по расписанию
- Уровень сложности: для новичков
- Домашние задания: есть, с проверкой
- Сопровождение: куратором
- Сертификат
- Трудоустройство
- Техническая поддержка: в рабочее время, чат на сайте, телефон
- Доступ: в день начала обучения
Что вы узнаете?
- В чем специфика сферы Data Science.
- Что входит в машинное обучение.
- Как программировать на Python.
- Как использовать готовые библиотеки.
- Какие фреймворки популярны.
О курсе
Описание
Программа курса
Особенности
Годовой курс обучающего проекта SkillFactory по Data Science, позволяющий с нуля получить профессию специалиста по машинному обучению. Профессионалов этой области постоянно ищут ведущие корпорации страны (Mail.RU, Северсталь, Яндекс, Сбербанк, МТС, Pw и др.). Поэтому обучение Data Science – это залог вашей финансовой стабильности и благополучия.
Подготовка начинается с основ: освоения основ языка Python и классического машинного обучения и заканчивается практическим применением Data Science. Курс машинного обучения проходит на дистанционной основе, что не привязывает вас к месту и времени.
В программе онлайн-курса «Data Science»:
- Введение в язык программирования Python.
- Основы теории вероятности и статистического анализа.
- Изучение базовых моделей машинного обучения.
- Фреймворки, библиотеки и алгоритмы нейронных сетей.
- Оценка результативности моделей на реальных бизнес-процессах.
Для старта подготовки вам не потребуется никаких специальных навыков и умений. Будет достаточно тех знаний математики, которые получены в школе. С самого начала и на протяжении всей программы вам помогает персональный куратор, а по окончанию выдается именной сертификат.
База
На этом этапе вы изучите основы программирования на Python, научитесь предобрабатывать и анализировать данные, а также познакомитесь с основными задачами дата-сайентиста.
Введение
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
Вы научитесь работать с основными типами данных с помощью языка Python и сможете применять в повседневной работе циклические конструкции, условные операторы и функции.
- 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
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
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
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. Площадка Kaggle.
- Проект 2.
Введение в машинное обучение
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 снижения 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.
Основной блок
Линейная алгебра, математический анализ, дискретная математика — звучит страшно, но не пугайтесь: разберем все эти предметы и научим с ними работать! На втором этапе вы погрузитесь в математику и основы машинного обучения, узнаете больше о профессиях DS, а также благодаря профориентации выберете трек обучения второго года.
Математика и машинное обучение. Часть 1
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
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 снижения размерности. Часть 1.
- MATH&ML-10. Кластеризация и техники снижения размерности. Часть 2.
- Проект 5. Ансамблевые методы.
ML в бизнесе
Вы научитесь использовать ML-библиотеки для решения задачи временных рядов и рекомендательных систем. Вы сможете обучить ML-модель и провести ее валидацию, а также создать работающий прототип и запустить модель в веб-интерфейсе. А еще 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. Прототип Streamlit+Heroku.
- PROD-3. Бизнес-понимание. Кейс.
- Проект 6. Тема на выбор: временные ряды или рекомендательные системы.
Уровень PRO
На третьем этапе вы познакомитесь с одним из методов машинного обучения — глубоким обучением (DL). А также вас ждет полноценный блок выбранной специализации: вы можете освоить навыки машинного обучения (ML), познакомиться с рутиной CV (компьютерного зрения).
Второй год обучения — 2 специализации на выбор.
- Профориентация.
- Трек ML Engineer.
- Трек CV Engineer.
- Deep Learning и нейронные сети.
- Введение в Data Engineering.
-
ФорматВ группе с наставником
Видеоуроки
Обучение в ЛК на сайте автора -
Продолжительность24 месяца
-
Уровень сложностиДля новичков
-
Когда вы будете учитьсяСтрого по расписанию
-
Домашние заданияЕстьС проверкой
-
Документ об обученииСертификат Освоение программы курса
-
СопровождениеКуратором
-
Общение с группойФорум или чат внутри ЛК
-
Техническая поддержкаВ рабочее времяЧат на сайтеТелефон
-
Перспективы после обученияТрудоустройство
-
Срок доступа к материаламБессрочный
-
Безопасная покупкаВ любой момент. Условия описаны в оферте
-
Год выхода2024 Последнее обновление: 16.10.2024
- Нажмите на кнопку
Узнать подробнее - Вы перейдете на детальную страницу курса Школы. Внимательно прочитайте представленную на ней информацию.
- Следуя указаниям, оформите заказ на курс.
- Обязательно укажите актуальный e-mail. На него придет вся информация, в частности, по доступу к курсу.
- Если вы еще не готовы к покупке курса, то советуем для начала освоить бесплатный материал Школы.
Если инструкция вам не помогла, пожалуйста напишите нам на почту info@info-hit.ru, мы оперативно поможем вам получить необходимую информацию.
Отзывы о курсе
Пока никто не оставил отзывов. Чтобы оставить отзыв перейдите на полную версию страницы.
Другие курсы автора
- Формат — Видеоуроки
- 14 месяцев
Курс — Аналитик данных
- Формат — Видеоуроки
- 16 месяцев
Профессия — Fullstack-разработчик на Python
- Формат — Живые вебинары
- 4 месяца
Курс — Python для анализа данных
- Формат — Видеоуроки
- 10 недель
Курс — Нейронные сети и deep learning
- Формат — Живые вебинары
- 7 месяцев
Курс — Системный аналитик Pro
- Формат — Живые вебинары
- 13 месяцев