Курс «Data Scientist»

Видеоуроки / В группе с наставником / Обучение в ЛК на сайте автора

  • 24 месяца
  • Сертификат
  • Участие в потоке

Полная программа обучения Python для получения профессии «Специалист по машинному обучению».

Автор: Онлайн-школа Skillfactory

Обновлено: 16.10.2024

Источник изображения: Unsplash

от6 050 /мес. от10 083 /мес.
Скидка 40%
  • 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.
Этот курс включает:
  • 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
Data Scientist

Онлайн-школа Skillfactory

Перейти на сайт
Тематика: Data Science
Профессии: Data Scientist

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

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»:

  1. Введение в язык программирования Python.
  2. Основы теории вероятности и статистического анализа.
  3. Изучение базовых моделей машинного обучения.
  4. Фреймворки, библиотеки и алгоритмы нейронных сетей.
  5. 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.
  • Формат
    В группе с наставником
    Видеоуроки
    Обучение в ЛК на сайте автора
  • Продолжительность
    24 месяца
  • Уровень сложности
    Для новичков
  • Когда вы будете учиться
    Строго по расписанию
  • Домашние задания
    ЕстьС проверкой
  • Документ об обучении
    Сертификат Освоение программы курса
  • Сопровождение
    Куратором
  • Общение с группой
    Форум или чат внутри ЛК
  • Техническая поддержка
    В рабочее времяЧат на сайтеТелефон
  • Перспективы после обучения
    Трудоустройство
  • Срок доступа к материалам
    Бессрочный
  • Безопасная покупка
    В любой момент. Условия описаны в оферте
  • Год выхода
    2024 Последнее обновление: 16.10.2024
  1. Нажмите на кнопку
    Узнать подробнее
  2. Вы перейдете на детальную страницу курса Школы. Внимательно прочитайте представленную на ней информацию.
  3. Следуя указаниям, оформите заказ на курс.
  4. Обязательно укажите актуальный e-mail. На него придет вся информация, в частности, по доступу к курсу.
  5. 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