Профессия «Специалист Data Scientist с нуля»

Профессия Data Scientist является перспективной и высокооплачиваемой в IT-индустрии. Эти специалисты работают с большими объемами данных, анализируют их и используют полученные результаты для составления прогнозов или моделирования бизнес-процессов. Это востребованная профессия и если вы мечтаете стать Data Scientist с нуля, то вам нужно записать на этот курс. За 9 месяцев обучения Data Scientist, эксперты Eduson Academy передадут все необходимые знания и навыки.

Основа курса — теория и практика по алгоритмам, математике, структуре данных, машинному обучению. Формат подготовки включает в себя видеоуроки, практические задания, а также поддержку и обратную связь от преподавателей. На занятиях будут разбираться практические кейсы, а в конце эксперты HR помогут подготовить резюме с учетом специфики индустрии.

Краткая программа курса «Специалист Data Scientist с нуля»:

1. Знакомство с профессией Data Scientist.
2. Программирование: Python для анализа данных, работа с Linux.
3. Работа с системой контроля версий Git.
4. Случайные события и расчет их вероятности.
5. Введение в машинное обучение. Модели и их внедрение.
6. Применение инструментов Data Science в бизнесе.

В результате вы получите престижную и востребованную на рынке профессию. А вашу квалификацию подтвердит официальный документ, который поможет и в карьерном росте.

Введение в Data Scientist

• Как войти в профессию Data Scientist и чего от нее ожидать.
• Какие задачи решает специалист и какие навыки нужны для этого.
• Как развиваться в Data Science на протяжении всей карьеры.

Основы программирования 

• Что такое абстракции и как с ними работать.
• Что такое простые и сложные типы данных.
• Что такое выражение, ветвление и цикл.

Python для анализа данных

• Типы данных в Python.
• Функции, условия, циклы и рекурсии.
• Основы объектно-ориентированного программирования.
• Качественный код.

Работа с Linux

• Как устроена ОС Linux.
• Как работать с удаленными серверами.
• Углубленное программирование
• Как работать с лямбда-функциями в Python.
• Как работать с датами и временем в Python.
• Как писать код на Python в рамках ООП.

Работа с системой контроля версий Git

• Как работать с системой контроля версий Git.
• Как работать с GitHub.
• Как получить доступ к учебному репозиторию GitHub Eduson.

• Что такое случайные события и как рассчитывать их вероятность.
• Что такое распределения случайных величин.
• Как проверять гипотезы с помощью статистики.
• Как анализировать зависимости между случайными величинами: регрессионный и корреляционный анализ.

• Как DS работает с данными.
• Как сформулировать требования к данным.
• Как собрать данные из различных источников.
• Как структурировать и предобработать данные.

Анализ данных для бизнеса

• Зачем бизнесу анализ данных.
• Как проходит процесс анализа данных.
• Как сформулировать проблему для анализа.
• SQL и работа с базами данных
• Как проектировать базы данных.
• Как анализировать данные о бизнесе с помощью SQL.
• Как создавать запросы и подзапросы.

Разведочный анализ данных (EDA)

• Что такое разведочный АД.
• Какие бывают структуры данных.
• Как рассчитать корреляцию между данными и построить диаграмму рассеяния.
• Какие выводы можно сделать на основе EDA.

Аналитический сторителлинг

• Как рассказать убедительную историю на основе данных.
• Какие ключевые элементы сторителлинга стоит использовать.

Математика для Data Science

• Введение в линейную алгебру.
• Векторы, матрицы и линейная регрессия.
• Дискриминантный анализ и математическое моделирование.

Введение в машинное обучение

• Что такое машинное обучение.
• Задачи и модели машинного обучения.
• Подбор предиткоров (признаков) для модели.
• Как тестировать модель.

Модели машинного обучения

• Линейная регрессия для поиска зависимости между показателями.
• Метод классификации для разделения данных на группы.
• Байесовский классификатор для классификации и прогнозирования.
• Кластеризация для поиска неизвестных групп в данных.
• Деревья решений и случайный лес.
• Временные ряды для прогнозирования.

Рекомендательные системы

• Как устроены рекомендательные системы и как они помогают бизнесу.
• Как строить рекомендательные системы и использовать предиктивные алгоритмы.
• Как построить коллаборативную рекомендательную систему.

Feature Engineering

• Цели Feature Engineering.
• Как найти признаки с наибольшим потенциалом.
• Как использовать анализ главных компонентов (PCA).

Повышение качества работы модели

• Как валидировать модель.
• Какие методы кросс-валидации существуют.
• Как избежать ошибок в оценке качества модели.

Внедрение модели

• Какие этапы внедрения модели существуютКак ML-решения передают в производство.
• Какие стратегии доставки модели конечному пользователю существуют.
• Как работать с GIT.

• Что такое мониторинг модели.
• Как работать в Airflow.

Как применять инструменты Data Science в бизнесе

• Какие задачи можно решить с помощью Data Science в разных сферах.

Карьерный акселератор

• Как составить резюме (на русском и английском языках).
• Как оформить портфолио и где его разместить.
• Как подготовиться к собеседованию и решению тестовых заданий.

Английский для IT-специалистов. Дополнительный курс

Финальный проект и диплом

• В конце курса вы решите большой бизнес-проект — соберете данные, создадите и натренируете модель машинного обучения, интерпретируете полученные результаты.

• Формат
  Самостоятельно
  Видеоуроки / Консультации
  Обучение в ЛК на сайте автора
• Демодоступ
• Количество уроков
  215
• Продолжительность
  9 месяцев
• Уровень сложности
  Для новичков
• Когда вы будете учиться
  Строго по расписанию
• Домашние задания
  ЕстьС проверкой
• Документ об обучении
  Удостоверение Освоение программы курса
• Сопровождение
  Куратором
• Техническая поддержка
  В рабочее времяЧат в ВКЧат в мессенджереЭлектронная почтаТелефон
• Срок доступа к материалам
  Бессрочный