Полный курс по Data Science

53 студента зачислены

Трудоустройство

помле окончания курса

Авторские программы

от экспертов из крупных IT-компаний

Доступ к курсу

навсегда

Кто такой Data Scientist

Это специалист, который обрабатывает большие объемы неструктурированной информации и превращает ее в упорядоченный набор данных.
Дата-сайентист может:

Предсказать, окупится ли новый проект
Оценить будущий спрос на товары и услуги
Улучшить системы рекомендаций в соцсетях и сервисах
Создать приборы для автоматической постановки диагноза пациенту
Усовершенствовать транспортное движение
Построить систему распознавания лиц

Кому подойдёт этот курс

Новичок

. Вы начнете с SQL и Python. Получите необходимую теорию по математике, статистике и теории вероятности и отработаете ее на практике.

Аналитик

Начнете анализировать данные на продвинутом уровне, автоматизировать процесс сбора данных.

Программист

Научитесь работать с моделями машинного обучения, анализировать данные на Python и прокачаете аналитическое мышление.

Чему вы научитесь

Предсказывать

окупится ли новый проект

Улучшать системы

рекомендаций в соцсетях и сервисах

Усовершенствовать

транспортное движение

Оценивать будущий спрос

на товары и услуги

Создавать приборы

для автоматической постановки диагноза пациенту

Построить систему

распознавания лиц

Содержание курса

База

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

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)

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

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

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

Основной блок

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

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

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

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.

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

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

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

Вы узнаете, в чем 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 🙂

По версии кадрового агентства Glassdoor, профессия Data Scientist, напрямую связанная с машинным обучением, занимает первую строчку в рейтинге самых лучших профессий США. Ценятся такие специалисты высоко. Журнал IncRussia пишет, что зарплата специалиста по машинному обучению составляет 130 000 ₽ — 300 000 ₽. Причина в том, что на рынке мало специалистов в области Data Science. Квалификация в этой области поможет вам совершить рывок в текущей работе или запуске собственного проекта.
Ноутбук с установленным Python (мы дадим инструкцию и поможем с установкой). Около 8–10 часов в неделю и желание получить новые знания.
Не обязательно. Знание языка — это, конечно, плюс, но выйти на хороший уровень по Data Science (уровня middle) и стать успешным специалистом можно и без него. Все наши учебные материалы на русском языке. Если вы можете читать на английском, это будет плюсом, но не является обязательным навыком.

Будьте первым кто оставит отзыв.

Оставить отзыв можно только с предоставлением сертификата о прохождении курса.

Пожалуйста, войдите чтобы оставить отзыв
Полный курс по Data Science
Цена:
221 400 ₽ 110 700 ₽