- Регистрация
- 13.03.2019
- Сообщения
- 48 482
Чем занимается Data Scientist Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы. Новые знания сделают вас востребованным специалистом в Data Science Вы научитесь не только работать с аналитикой, нейронными сетями, Big Data и помогать компаниям и продуктам расти с помощью технологий, но и освоите ключевые «мягкие навыки»: коммуникацию в команде, целеполагание и эмоциональный интеллект. Обучение на курсе поможет вам: Перейти в профессию с высоким окладом, которая не устареет через 10 лет Освоить ключевые технологии и опередить запрос рынка Прожить опыт 2-3 лет самостоятельного изучения сферы Data Science Кому будет полезен этот курс: Новичкам в Data Science Разработчикам Аналитикам Чему вы научитесь: Работать с SQL Использовать Python и библиотеки Проверять данные и определять проблемы Обучать многослойные нейронные сети и строить модели машинного обучения Применять математику в алгоритмах Лидировать Data-проекты, работать в команде и находить общий язык с заказчиком Программа курса: 1 ступень. Погружение Аналитическое мышление (Курсовой проект): Что такое аналитическое мышление Откуда берутся данные Введение в Google-таблицы Продвинутая визуализация данных Продвинутые Google-таблицы Python как инструмент анализа данных Основы статистики Машинное обучение для жизни Основы визуализации данных (Курсовой проект): Зачем нужна визуализация данных Связи, потоки, процессы и карты Инструменты, источники и предподготовка данных Как рассказать историю с помощью данных Основы статистики и способы сравнения метрик 2 ступень. SQL, Python и Big Data SQL и получение данных (Курсовой проект): Архитектура и структура баз данных (БД) Функции SQL и их аналоги в pandas Простые запросы, join`ы, агрегаты Консоль (знакомство, основные операторы, утилита psql) Базовые команды в SQL и встроеные аналитические функции Архитектура и проектирование Импорт и экспорт данных посредством SQL и ETL программ Нормализация Принципы работы с различными БД Зависимости Основные библиотеки для подключения к БД из Python Подготовка и сдача итогового проекта Аналитика больших данных (Курсовой проект): Что такое большие данные Основные характеристики больших данных и виды анализа данных. Продвинутые методы анализа больших данных Монетизация больших данных NoSQL-подход Характеристики и источники данных MapReduce-подход Культура сбора данных Введение в Hadoop Основы реализации проектов больших данных. Кейс-стади Практическое задание (лабораторная работа) по аналитике данных и его разбор Python для анализа данных (Курсовой проект): Базовые типы данных и циклы Базовые понятия статистики Функции и классы Случайные события. Случайные величины Продвинутые типы данных: массивы, множества, словари Логистическая регрессия и дискриминационный анализ Библиотеки для анализа данных: NumPy, Pandas, Matplotlib Корреляция и корреляционный анализ Визуализация в Python Доверительные интервалы. Статистическая проверка гипотез Математика для анализа данных (Курсовой проект): Линейная алгебра. Вектора Производная функции нескольких аргументов Линейная алгебра. Матрицы Теория оптимизации Продвинутая линейная алгебра Теория вероятности. Дискретные и непрерывные случайные величины Математический анализ. Производная Центральная предельная теорема и закон больших чисел 3 ступень. Машинное обучение, Deep Learning и нейронные сети Машинное обучение: Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия Оценка точности модели, переобучение, регуляризация Классификация: логистическая регрессия и SVM Проблема качества данных Функции потерь и оптимизация Работа с пропусками и переменными Рекомендательные системы: Неперсонализированные рекомендательные системы Collaborative Filtering Сontent-based-рекомендации Гибридные алгоритмы Временные ряды: Знакомство с временными рядами Сингулярный спектральный анализ Элементарные методы анализа временных рядов Случайные марковские процессы Модели ARMA Нейронные сети в анализе временных рядов Модели авторегрессии условной гетероскедастичности Поиск изменений во временном ряде Нейронные сети: Введение в нейронные сети и библиотеку Keras Введение в рекуррентные сети Углубление в нейронные сети и библиотеку Keras Автокодировщики Введение в свёрточные нейронные сети Введение в генеративно-состязательные сети Компьютерное зрение: Выделение признаков и поиск похожих изображений Задачи детекции и сегментации Сегментация и детекция объектов Рекуррентные нейронные сети в задачах компьютерного зрения (Image Captioning) Свёрточные нейронные сети Порождающие модели Обучение свёрточной сети на практике Обработка естественного языка: Введение в автоматическую обработку текста Тематическое моделирование Структура слова. Морфология Информационный поиск Синтаксический анализ Классификация в АОТ Дистрибутивная семантика Языковые модели Извлечение ключевых слов Извлечение информации Словари. Подкрепление знаний Deep Learning (Курсовой проект): Регрессия и персептрон Внимание: Dense Attention и Beam search Многослойная нейронная сеть: регуляризация, градиентный спуск, ускорение обучения Компьютерное зрение: SSD, Region Based CNN, Faster R-CNN, Masked R-CNN, UNet, перенос стиля и FCN Свёрточные сети: свёрточные архитектуры, многомерные свертки, сегментация Работа с текстом: языковые модели, Embeddings, Word2Wec, FastText, NER, Transformer, BERT и Elmo Рекуррентные сети: RNN, GRU и LSTM, Encoder-Decoder архитектура GAN'ы: дискриминатор, генератор, продвинутые архитектуры 4 ступень. Soft Skills и управление проектами Менеджмент data-проектов: Требования в data-проектах Разработка отчётов по исследованию Методология ведения data-проектов Сохранение результатов эксперимента Эффективные коммуникации: Коммуникации: синхронизация картины мира Эмоциональный интеллект в переговорах Коммуникации: искусство убеждения и структура аргумента Тренды в тестировании: за какими ресурсами следить Эмоциональный интеллект в коммуникациях: этапы развития, распознавание и управление своими и чужими эмоциями Резюме, сопроводительное письмо, портфолио Взаимодействие в команде: Как укрепить свой авторитет и позиции на работе Налаживание вертикальных и горизонтальных связей в коллективе Коммуникации на удалёнке и деловая переписка Публичные выступления: Как презентовать идею или отчёт Подготовка презентации к публичному выступлению Как начать получать удовольствие от выступлений и перестать их бояться Финальный хакатон и Kaggle Competitions: В составе мини-команды за ограниченное время и на основе датасетов крупных игроков рынка вам придётся решать задачи по прогнозированию продаж или оптимизации производства, задействуя все знания и навыки, полученные на курсе. Интеграция и использование machine learning решений в бизнесе, как правило, подразумевает командную игру, поэтому хакатон полезен ещё и как тренировка необходимых soft skills. Итоговый проект — реальный кейс от Dodo Brands В рамках дипломного проекта вы сможете построить ML-модель для решения своих текущих профессиональных задач: это может быть система прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста и т. д. Если у вас нет идей для своего проекта (или доступа к необходимым данным), мы предложим вам учебный кейс в интересной вам области на основе реального датасета других компаний. Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе. Ваше резюме после обучения 
|
