Data Scientist från grunden till PRO - kurs 233 640 RUB. från SkillFactory, utbildning 24 månader, Datum 15 augusti 2023.

BAS

I det här skedet kommer du att lära dig grunderna i programmering i Python, lära dig hur du förbearbetar och analyserar data, och även bli bekant med huvuduppgifterna för en datavetare.

Introduktion - 1 vecka

Du kommer att kunna formulera verkliga lärandemål för dig själv, ta reda på vad värdet av DS är för företag, bekanta dig med huvuduppgifterna för en datavetare och förstå hur utvecklingen av ev DS-projekt.
INTRO-1. Hur man studerar effektivt - onboarding i träning
INTRO-2. Yrkesöversikt. Typer av problem inom datavetenskap. Stadier och tillvägagångssätt för att utveckla ett Data Science-projekt

Utvecklingsdesign - 5 veckor

Du kommer att lära dig att arbeta med grundläggande datatyper med Python och kunna använda looping-konstruktioner, villkorliga uttalanden och funktioner i ditt dagliga arbete.
PYTHON-1. Grunderna i Python
PYTHON-2. Dykning in i datatyper
PYTHON-3. Villkorliga uttalanden
PYTHON-4. Cyklar
PYTHON-5. Funktioner och funktionell programmering
PYTHON-6. Öva
PYTHON-7. Python Style Guide (Bonus)

Grundläggande matematik - 7 veckor

MATH-1. Tal och uttryck
MATH-2. Ekvationer och ojämlikheter
MATH-3. Grundläggande begrepp inom funktionsteorin
MATH-4. Grunderna i geometri: planimetri, trigonometri och stereometri
MATH-5. Uppsättningar, logik och statistikelement
MATH-6. Kombinatorik och grunderna i sannolikhetsteori
MATH-7. Problemlösning

Arbeta med data - 8 veckor 

I detta skede kommer du att bemästra grundläggande datafärdigheter: hur man förbereder, rengör och transformerar data så att de är lämpliga för analys. På tal om analys: du kommer att analysera data med hjälp av de populära biblioteken Matplotlib, Seaborn, Plotly.

PYTHON-8. Verktyg för datavetenskap
PYTHON-9. NumPy bibliotek
PYTHON-10. Introduktion till pandor
PYTHON-11. Grundläggande tekniker för att arbeta med data i Pandas
PYTHON-12. Avancerade datatekniker i pandor
PYTHON-13. Datarensning
PYTHON-14. Datavisualisering
PYTHON-15. Principer för OOP i Python och felsökningskod (valfri modul)
Projekt 1. Datauppsättningsanalys om slutna frågor

Dataladdning - 6 veckor

Du kommer att kunna ladda ner data från olika format och källor. Och SQL, ett strukturerat frågespråk, hjälper dig med detta. Du kommer att lära dig att använda aggregerade funktioner, tabellkopplingar och komplexa kopplingar.
PYTHON-16. Hur man laddar ner data från filer i olika format
PYTHON-17. Hämta data från webbkällor och API: er
SQL-0. Hej SQL!
SQL-1. Grunderna i SQL
SQL-2. Aggregerade funktioner
SQL-3. Sammanfoga bord
SQL-4. Komplexa fogar
Projekt 2. Laddar ny data. Förfina analysen

Statistisk dataanalys - 7 veckor 

Intelligence Data Analysis (EDA) är vad du kommer att fokusera på. Du kommer att bli bekant med alla stadier av sådan analys och lära dig hur du utför den med hjälp av biblioteken Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Dessutom kommer du att kunna arbeta på Kaggle, en populär tjänst för att delta i tävlingar.
EDA-1. Introduktion till intelligensdataanalys. EDA-algoritmer och metoder
EDA-2. Matematisk statistik i samband med EDA. Typer av funktioner
EDA-3. Funktionsteknik
EDA-4. Statistisk dataanalys i Python
EDA-5. Statistisk dataanalys i Python. Del 2
EDA-6. Design av experiment
EDA-7. Kaggle plattform
Projekt 2

Introduktion till maskininlärning - 9 veckor

Du kommer att bli bekant med ML-bibliotek för modellering av databeroende. Du kommer att kunna träna huvudtyperna av ML-modeller, utföra validering, tolka resultatet av arbetet och välja ut viktiga egenskaper (funktionsviktighet).
ML-1. Maskininlärningsteori
ML-2. Övervakat lärande: Regression
ML-3. Övervakat lärande: Klassificering
ML-4. Oövervakat lärande: Tekniker för klustering och dimensionalitetsreduktion
ML-5. Datavalidering och modellutvärdering
ML-6. Urval och urval av egenskaper
ML-7. Optimera modellhyperparametrar
ML-8. ML kokbok
Projekt 3. Klassificeringsproblem

HUVUDENHET

Linjär algebra, matematisk analys, diskret matematik - det låter läskigt, men var inte rädd: vi kommer att analysera alla dessa ämnen och lära dig hur du arbetar med dem! I det andra steget kommer du att dyka in i matematik och grunderna för maskininlärning, lära dig mer om DS-yrken och, genom karriärvägledning, välja ett andra års studieväg.

Matematik och maskininlärning. Del 1 - 6 veckor

Du kommer att kunna lösa praktiska problem med hjälp av manuell beräkning och Python (vektor- och matrisberäkningar, arbeta med mängder, studera funktioner med hjälp av differentialanalys).
MATH&ML-1. Linjär algebra i samband med linjära metoder. Del 1
MATH&ML-2. Linjär algebra i samband med linjära metoder. Del 2
MATH&ML-3. Matematisk analys i samband med ett optimeringsproblem Del 1
MATH&ML-4. Matematisk analys i samband med ett optimeringsproblem. Del 2
MATH&ML-5. Matematisk analys i samband med ett optimeringsproblem. Del 3
Projekt 4. Regressionsproblem

Matematik och maskininlärning. Del 2 - 6 veckor

Du kommer att bli bekant med de grundläggande begreppen sannolikhetsteori och matematisk statistik, algoritmer klustring, och även lära sig att utvärdera kvaliteten på den utförda klustringen och presentera resultaten i grafisk form.
MATH&ML-6. Sannolikhetsteori i samband med en naiv Bayes-klassificerare
MATH&ML-7. Algoritmer baserade på beslutsträd
MATH&ML-8. Boostning & stapling
MATH&ML-9. Tekniker för klustring och dimensionsreduktion. Del 1
MATH&ML-10. Tekniker för klustring och dimensionsreduktion. Del 2
Projekt 5. Ensemble metoder

Diskret matematik - 4 veckor

MATH&MGU-1 Set och kombinatorik
MATH&MGU-2 logik
MATH&MGU-3-grafer. Del 1
MATH&MGU-4-grafer. Del 2

ML i näringslivet - 8 veckor

Du kommer att lära dig att använda ML-bibliotek för att lösa tidsserieproblem och rekommenderasystem. Du kommer att kunna träna en ML-modell och validera den, samt skapa en fungerande prototyp och köra modellen i webbgränssnittet. Och skaffa dig färdigheter i A/B-testning så att du kan utvärdera modellen.
MATH&ML-11. Tidsföljder. Del 1
MATH&ML-12. Tidsföljder. Del 2
MATH&ML-13. Rekommendationssystem. Del 1
MATH&ML-14. Rekommendationssystem. Del 2
PROD-1. Förbereder modellen för produktion
PROD-2. PrototypStreamlit+Heroku
PROD-3. Affärsförståelse. Fall
Projekt 6. Ämne att välja mellan: Tidsserier eller Recommender-system

PRO NIVÅ

I det tredje steget kommer du att bekanta dig med en av maskininlärningsmetoderna - djupinlärning (DL). Och även ett fullfjädrat block av den valda specialiseringen väntar dig: du kan behärska maskininlärningsfärdigheter (ML), bekanta dig med rutinen för CV (datorseende) eller förbättra i NLP*, naturlig bearbetning språk.

Andra studieåret - 3 inriktningar att välja mellan

Yrkesvägledning

ML, CV eller NLP: i detta skede måste du äntligen välja vilken väg du ska ta härnäst. Vi kommer att berätta om varje inriktning och erbjuda dig att lösa flera praktiska problem för att göra det lättare för dig att bestämma dig.

Spår ML - ingenjör

I ML-spåret kommer du att lära dig att lösa djupgående maskininlärningsproblem, behärska kompetensen hos en dataingenjör och finslipa dina färdigheter i att arbeta med Python-bibliotek. Du kommer också att lära dig hur du skapar en MVP (minimum viable version av en produkt), lära dig alla krångligheterna med att mata ut en ML-modell till produktion och lära dig hur ML-ingenjörer arbetar i verkligheten.
Introduktion till Deep Learning
Grundläggande datateknik
Ytterligare Python- och ML-kapitel
Ekonomisk utvärdering av effekter och MVP-utveckling
ML till produktion
Fördjupning av ML-utveckling och examensarbete inom ett valt ämne

Spår CV - ingenjör

På CV-spåret får du lära dig att lösa datorseendeproblem som bildklassificering, segmentering och detektering, bildgenerering och stilisering, restaurering och kvalitetsförbättring fotografier. Dessutom får du lära dig hur du rullar ut neurala nätverk i produktion.
Introduktion till Deep Learning
Grundläggande datateknik
Ytterligare Python- och ML-kapitel
Ekonomisk utvärdering av effekter och MVP-utveckling
ML till produktion
Fördjupning av ML-utveckling och examensarbete inom ett valt ämne

Spår NLP - ingenjör

Under utbildningen på NLP-spåret får du lära dig hur du löser huvudproblemen med naturlig språkbehandling, i inklusive klassificering, sammanfattning och textgenerering, maskinöversättning och skapande av dialog system
Introduktion till Deep Learning
Neural nätverksmatematik för NLP
Hårdvara och mjukvara för att lösa NLP-problem
NLP-uppgifter och algoritmer
Neurala nätverk i produktionen
Fördjupning av NLP-utveckling och examensarbete inom ett valt ämne

Väljer du CV- eller ML-inriktningen kan du gå NLP-kursen utan mentorsstöd gratis.

Deep Learning och neurala nätverk

Var används neurala nätverk? Hur tränar man ett neuralt nätverk? Vad är Deep Learning? Du hittar svaren på dessa frågor i bonussektionen i DL.

Introduktion till datateknik

Du får lära dig skillnaden mellan rollerna som en datavetare och en dataingenjör, vilka verktyg den senare använder i sitt arbete och vilka uppgifter han löser dagligen. Orden "snöflinga", "stjärna" och "sjö" kommer att få nya betydelser :)