Курс «Data Scientist»

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