r_d
Зареєструватись Завжди є куди зростати
< курс-професія > < 5 місяців > < junior / middle >
DATA SCIENTIST
Опануйте трендову професію з нуля та працюйте зі штучним інтелектом, машинним навчанням і великими даними.
курсовий проєкт:
власна прогнозована модель
тривалість:
38 онлайн-занять
Data Scientist — це фахівець, який знаходить приховані закономірності в даних та самостійно створює моделі, що оптимізують процеси, і перетворює дані та цифри на можливості для зростання.
Про курс:
Комплексний курс для аналітиків, інженерів та всіх, хто хоче опанувати професію дата-саєнтиста.
За 38 занять ви навчитеся:
- кодити на Python
- працювати з неструктурованими базами даних
- розв’язувати задачі класифікації та кластеризації
- автоматизувати роботу з Big Data
- будувати моделі прогнозування
В результаті ― портфоліо з проєктами й старт у професії.
До програми курсу входять:
01
БАЗА ДАТА-САЄНТИСТИКИ
- розберете обов’язки та роадмап
- вивчите потрібні математичні поняття й формули
- опануєте кодинг на Python для побудови моделей та нейромереж
02
РОЗВИТОК ХАРД-СКІЛІВ
- навчитеся читати метрики та працювати з даними
- проводитимете Time Series Analysis
- деплоїтимете моделі прогнозування та нейромережі за допомогою Docker
03
ПІДГОТОВКА ДО КАР’ЄРИ
- зберете скілсет дата-саєнтиста
- зрозумієте потреби бізнесу
- будете готовими брати завдання в роботу
Лектор:
Василь Лавер
Senior Data Scientist у Dell Technologies
PhD в галузі прикладної математики, має 14+ років викладацького та наукового досвіду
має глибоку експертизу в Python, SQL, Gurobi, Machine Learning і Statistical Modeling
побудував і впровадив ML-рішення для телекомунікацій, маркетингу, логістики та фінансового сектору
працював над оптимізацією логістичних ланцюгів та розробкою моделей прогнозування у сфері охорони здоров’я
автор рішень у сферах supply chain optimization, time series analysis та healthcare prediction
Зареєструватись Програма Data Science Course
1
Введення в Data Science
- Зрозумієте, що таке Data Science, а також роль і результати роботи дата-саєнтистів
- Розберетесь у відмінностях між Data Scientist, Data Analyst і Data Engineer
- Зрозумієте, чого навчитеся на цьому курсі
2
Введення в Python: синтаксис, змінні, операції
- Розберете базові поняття Python: від синтаксису — до логічних операцій
- Зрозумієте переваги Python та Jupyter Notebook у частині інтерактивності й певної незалежності комірок між собою
- Зможете працювати із записниками Python (Jupyter або Google Colab) і виконувати найпростіші обчислення
3
Введення в Python: типи даних, колекції, умовні конструкції
- Навчитеся працювати з різними структурами даних у Python
- Зможете написати прості програми з умовами
- Навчитеся зберігати й обробляти групи даних (списки, словники тощо)
4
Введення в Python: цикли, модулі, бібліотеки
- Опануєте основи використання функцій в Python
- Навчитеся писати програми з циклами та функціями
- Зрозумієте, що таке scope змінних, локальні та глобальні змінні
- Дізнаєтеся, що таке рекурсивні функції та в яких випадках їх використовувати
- Зможете підключати бібліотеки Python і використовувати їх у коді
- Розберете принцип повторного використання коду завдяки функціям
5
Підсумкове заняття з теми Python
- Практичне заняття, на якому ви покращите навички написання коду на Python
6
Лінійна алгебра для Data Science: вектори
- Зрозумієте базові концепти лінійної алгебри, які знадобляться для більш поглибленого розуміння принципів machine learning
- Вивчите поняття векторного простору та його значення для Data Science
- Навчитеся виконувати операції над векторами, зрозумієте, для чого вони потрібні та як застосовуються
7
Лінійна алгебра для Data Science: матриці
- Зрозумієте, що таке матриці та як вони діють на вектори
- Навчитеся розв’язувати системи лінійних рівнянь у Python
- Зможете бачити зв’язок між матрицями та відображенням векторних просторів
- Опануєте основні поняття лінійної алгебри
8
Підсумкове заняття з лінійної алгебри
- Практичне заняття, на якому ви покращите навички розвʼязання алгоритмічних задач і зможете перевірити їх за допомогою функцій Python
9
Теорія ймовірності й математична статистика для Data Science: випадковість та ймовірність
- Зрозумієте базові концепти теорії ймовірності й для чого потрібно поняття випадкової та елементарної події
- Дізнаєтеся, що таке випадкова величина і де вона фігурує
- Розрізнятимете види випадкових величин на практиці
- Навчитеся працювати з випадковими величинами, додавати й множити ймовірності
- Зможете обчислити ймовірності випадкових подій та застосовувати формулу Баєса
10
Теорія ймовірності й математична статистика для Data Science: розподіл та дисперсія
- Зрозумієте, що таке випадкова величина, і розрізнятимете дискретні та неперервні випадки на прикладах
- Зрозумієте суть математичного сподівання, дисперсії та основних типів розподілів і де вони застосовуються
- Навчитесь інтерпретувати графіки функції розподілу та щільності ймовірності, зокрема властивості нормального розподілу
- Зможете виконати симуляції розподілів у Python для моделювання випадкових процесів до збору реальних даних
11
Теорія ймовірності й математична статистика: статистика та гіпотези
- Навчитеся рахувати середнє, медіану, моду, середнє відхилення
- Розберете основні методи перевірки статистичних гіпотез
- Розрізнятимете помилки першого та другого роду
- Дізнаєтеся, що таке довірчий інтервал та як його шукати
- Навчитеся користуватися основними функціями пакетів scipy та statsmodels
- Будуватимете довірчі інтервали для середніх значень та перевіряти статистичні гіпотези щодо середніх величин
- Зрозумієте поглиблені поняття з теорії ймовірності, а саме математичної статистики
12
Підсумкове заняття. A/B-тестування
- Зрозумієте, що таке A/B-тестування та як його використовують у Data Science
- Дізнаєтеся, що таке нульова та альтернативна гіпотези
- Зможете інтерпретувати p-value та помилки I/II роду
- Навчитеся реалізувати просте A/B-тестування в Python і робити висновки з даних
13
Основи баз даних та SQL
- Встановите першу базу даних у межах Python та навчитеся писати найпростіші запити
- Зможете створити таблички, повʼязати їх та написати перші SELECT-запити для отримання бажаної вибірки зі створених таблиць
- Навчитеся виконувати базові операції з базами даних: з’єднувати таблиці, фільтрувати дані тощо
14
Розширений Python для Data Science: робота з pandas
- Навчитеся виконувати основні операції з масивами в Python
- Зрозумієте, що таке датафрейми pandas та їхню роль у Data Science
- Зможете імпортувати дані в pandas і робити з ними базові операції
- Опануєте базові перетворення значень рядків та стовпців таблиць (заповнення пустих комірок, конвертація типів, застосування функцій до значень комірок тощо)
15
Попереднє очищення даних
- Зрозумієте, чому важливо очищувати дані від дублікатів та аутлаєрів
- Навчитеся основ роботи з regex
- Зможете «очистити» задану таблицю та зробити її готовою для подальшої роботи (для описового аналізу даних або побудови моделі)
16
Описовий аналіз даних (Exploratory Data Analysis)
- Зрозумієте, що таке Exploratory Data Analysis (EDA) та його значення для задач Data Science
- Зможете зробити описовий аналіз даних для заданої таблиці
- Застосовуватимете зведені таблиці для EDA
17
Візуалізація за допомогою Matplotlib та Seaborn
- Розберете основні типи графіків та візуалізацій
- Зрозумієте, який саме тип візуалізації краще застосовувати залежно від задач Data Science
- Навчитеся створювати візуалізації для кращого унаочнення описового аналізу даних
18
Побудова дашбордів за допомогою Power BI
- Ознайомитеся з поняттям дашборду і базовими прийомами їхньої побудови
- Навчитеся створювати прості дашборди для інтерактивних візуалізацій
- Опануєте Power BI для побудови дашбордів
19
Підсумкове заняття з Exploratory Data Analysis
- Практичне заняття, на якому ви створите Exploratory Data Analysis на основі датасету
20
Основні поняття машинного навчання
- Вивчите основні поняття машинного навчання
- Розрізнятимете основні типи задач машинного навчання
- Зрозумієте, що таке Bias-Variance Tradeoff та як цей баланс визначає, чи буде модель узагальнювати закономірності й працювати добре на нових (невідомих) даних
21
Лінійна регресія
- Вивчите основні поняття лінійної регресії
- Опануєте основні метрики для оцінки регресійної моделі
- Розрізнятимете регуляризацію, Ridge та Lasso regression
- Навчитеся будувати лінійну регресійну модель та перевіряти моделі (оцінка залишків, значущості коефіцієнтів тощо)
22
Логістична регресія
- Розберете основні поняття логістичної регресії та задачі класифікації
- Опануєте основні метрики для оцінки бінарного класифікатора
- Розрізнятимете основні стратегії для роботи з незбалансованими даними
- Зрозумієте, які метрики застосовувати для оцінки класифікатора, побудованого на незбалансованих даних
- Зможете використовувати логістичну регресію для задач класифікації та проводити оцінку моделі (правильно використати та інтерпретувати метрики для оцінки моделі, інтерпретувати коефіцієнти моделі тощо)
23
Дерева рішень
- Зрозумієте, як будуються бінарні дерева рішень і яка відмінність між деревами для регресії та класифікації
- Розберете значення основних гіперпараметрів дерев і те, як вони впливають на модель
- Навчитеся використовувати дерева рішень для розв’язання задач регресії та класифікації
24
24 заняття / 15.04.2026 / 19:00
-->
Методи ансамблювання — Bagging- Зрозумієте, як працює метод бегінгу та чому ансамблеві моделі знижують дисперсію прогнозів
- Розберете значення гіперпараметрів випадкового лісу
- Навчитеся використовувати випадковий ліс для регресії та класифікації
25
Методи ансамблювання — Boosting
- Зрозумієте відмінності між бегінгом і бустингом
- Розберете основні моделі та зрозумієте, які між ними відмінності
- Навчитеся використовувати для регресії та класифікації основні моделі, побудовані на використанні дерев рішень
26
Основи часових рядів: компоненти, типи, проблеми
- Зрозумієте, що таке часові ряди та які їхні основні компоненти
- Вивчите основну термінологію часових рядів
- Розберете поняття ковзного середнього та експоненційного згладжування
27
Основи часових рядів: автокореляція, стаціонарність, прогнозування
- Навчитесь аналізувати ряд, виділяти тренд і сезонність
- Зрозумієте принципи роботи ARIMA, SARIMA та експоненційного згладжування
- Зможете будувати прогнози для часових рядів у Python та оцінювати їхню якість
28
Основи Explainable AI
- Розрізнятимете основні методи інтерпретації моделей
- Навчитеся користуватися пакетом SHAP і зможете пояснити основні графіки, отримані за допомогою цього пакета
- Зможете інтерпретувати результати моделі та будувати відповідні візуалізації
29
Задача кластеризації: метрики відстані, метод k-means
- Зрозумієте, що таке кластеризація та які метрики відстані використовуються
- Зможете застосовувати k-means для задач кластеризації
- Навчитесь оцінювати кількість кластерів методами ліктя й силуету
30
Задача кластеризації: DBSCAN, ієрархічна кластеризація
- Розберете алгоритми DBSCAN та ієрархічної кластеризації
- Зрозумієте відмінності між різними підходами до кластеризації
- Навчитесь оцінювати якість кластеризації різними метриками
31
Підсумкове заняття з Machine Learning
- Практичне заняття, на якому ви навчитеся вирішувати виклики з Machine Learning
32
Введення до нейромереж
- Розберете основні поняття нейромереж
- Дізнаєтеся, що відбувається «під капотом» нейромережі
- Зрозумієте, як застосовувати нейромережі для розв’язання задач регресії та класифікації
- Навчитеся будувати просту нейронну мережу за допомогою Pytorch
33
Сучасні архітектури нейромереж
- Розрізнятимете базові архітектури нейронних мереж (CNN, RNN, LSTM)
- Зрозумієте переваги трансформерів для задач Data Science
- Дізнаєтесь, які задачі розв’язує кожна архітектура
34
Основи LLM
- Ознайомитеся з основними трансформерами та великими мовними моделями (GPT, BERT, LLaMA, Falcon, Mistral, Gemini)
- Розрізнятимете й навчитеся застосовувати основні стратегії Prompt Engineering
- Опануєте бібліотеку HuggingFace Transformers та зможете завантажити готові моделі
35
Інструменти для роботи з LLM: LangChain та RAG
- Навчитеся працювати з LLM за допомогою бібліотек HuggingFace та LangChain і зможете створити чат-бота
- Дізнаєтесь, як інтегрувати LLM із зовнішніми даними
- Опануєте LangChain для розв’язання задач з використанням великих мовних моделей
- Зрозумієте структуру та функціонал RAG
36
Введення в Agentic AI
- Зрозумієте, що таке agentic AI та чим він відрізняється від простої роботи з LLM
- Розберете концепції агентів: планування, пам’ять, інструменти
- Навчитеся створювати простий агентський сценарій з LangChain або CrewAI
- Обговорите перспективи та виклики agentic AI в контексті його застосування для задач Data Science
37
VSCode і структура Python-проєкту для Data Science
- Зможете встановити VSCode + розширення
- Навчитеся створювати базовий DS-проєкт із правильною структурою
- Опануєте Git у VSCode
- Зможете працювати з віртуальними середовищами в Python
38
Основи MLOps: загальний огляд деплойменту моделей з Docker та FastAPI
- Навчитеся будувати простий CI/CD-процес для ML-моделей
- Зможете задеплоїти модель у Docker-контейнері
- Дізнаєтесь, як логувати й моніторити моделі в продакшені
Реєстрація
Заповнюйте форму, щоб навчитися шукати взаємозв’язки та інсайти в даних, будувати нейромережі та свічнутися в Data Science.
СТАРТ НАВЧАННЯ НА КУРСІ — ЖОВТЕНЬ 2026 РОКУ