DATA SCIENTIST
Освойте трендовую профессию с нуля и работайте с искусственным интеллектом, машинным обучением и большими данными.
Дмитрий Безущак
Data Scientist/ML Engineer
5+ лет опыта
собственная прогнозируемая модель
продолжительность:
35 онлайн-занятий
Data Scientist — это специалист, который не только находит скрытые закономерности в данных, но и самостоятельно строит прогнозы и создает модели, оптимизирующие процессы и стратегии. Используя машинное обучение, нейронные сети и облачные вычисления, он превращает данные и цифры в конкретные инсайты и возможности для роста.
Комплексный курс для аналитиков, инженеров и всех, кто хочет освоить профессию дата-саентиста, чтобы помогать бизнесу, промышленности, науке и медицине создавать и улучшать продукты.
За 35 занятий вы научитесь:
- кодить на Python и применять его библиотеки
- работать с неструктурированными базами данных
- решать задачи классификации и кластеризации
- автоматизировать обработку, анализ и визуализацию Big Data
- строить модели прогнозирования и тренировать нейросети
В результате — получите портфолио с проектами и подготовитесь к интервью на позицию Junior Data Scientist.
- разберете ключевые обязанности дата-саентиста и с нуля пройдете весь путь профессии
- изучите нужные математические понятия и формулы, ознакомитесь с теорией вероятностей
- освоите кодинг на Python и работу с его библиотеками для построения моделей и нейросетей
- научитесь правильно читать метрики и работать с массивами данных
- будете решать задачи классификации и кластеризации и проводить Time Series Analysis
- будете строить модели прогнозирования и нейросети, деплоить их с помощью Docker
- овладеете всем скилсетом дата-саентиста
- научитесь понимать потребности бизнеса и помогать находить решения
- будете готовы к собеседованию и сразу работать над задачами
Темы:
- Что такое данные и зачем их собирать
- Чем отличаются профессии Data Analyst, BI Analyst, Data Engineer, Software Engineer, Data Scientist и Machine Learning Engineer
- Стек навыков Data Scientist
Результаты:
- Узнаете, что такое данные и какие возможности есть у бизнеса, если он правильно собирает и обрабатывает свои данные.
- Поймете разницу между профессиями Data Scientist, Data Analyst, BI Analyst и Data Engineer. Разберете зоны ответственности каждой.
- Узнаете о видах и типах данных.
- Разберете ключевые задачи Data Scientist в компании.
- Разберете стек навыков Data Scientist, выделите собственные сильные и слабые стороны этой профессии.
Темы:
- Python и Jupyter Notebook
- Принципы ООП и их применение в программировании на Python
- Базовые концепты Python
- Функциональное программирование
- Особенности программирования на Python
- Основные библиотеки и фреймворки Python
- Библиотеки Python для Data Science
Результаты:
- Знакомы с концептом и принципами программирования на Python.
- Знаете базовый синтаксис Python.
- Умеете пользоваться Jupyter Notebook.
- Знакомы с принципами ООП и применяете их на практике.
- Понимаете разницу между объектно-ориентированным и функциональным программированием.
- Умеете использовать код на Python для поиска и обработки данных.
- Понимаете, для чего нужны библиотеки Python, и знакомы с основными из них.
- Знаете, какие библиотеки Python используются в Data Science, и умеете работать с ними.
Темы:
- Основные концепты линейной алгебры
- Понятие вектора и операции с векторами
- Понятие матрицы и операции над матрицами
- Векторное, нормативное и математическое пространство
- События и вероятность
- Распределение вероятностей
- Дисперсия
- Виды распределений
Результаты:
- Актуализировали забытые знания по линейной алгебре и статистике.
- Знакомы с понятием пространств по математике и понимаете, для чего они нужны.
- Знакомы с концептами теории вероятностей.
- Знаете формулы расчета вероятностей и умеете ими пользоваться.
- Понимаете, что такое деление, дисперсия, корреляция, ковариация.
- Умеете описывать задачи на математическом языке.
- Используете математические формулы для решения задач Data Science.
Темы:
- Что такое данные и как их хранить
- SQL для работы с данными
Результаты:
- Понимаете, что такое данные и как правильно хранить их.
- Разбираетесь в видах баз данных.
- Понимаете разницу между DB и DBMS.
- Умеете писать SQL-запросы и использовать операторы INSERT, DELETE, SELECT, WHERE и JOIN.
- Знаете, как «вытащить» нужные данные из базы.
Темы:
- Регрессия
- Задачи классификации
- Метод опорных векторов
- Деревья принятия решений
- Задачи кластеризации
- Методы прогнозирования
- Методы оценки качества прогнозов
- Понятие нейронных сетей
- Библиотеки и фреймворки для работы с нейросетями
- Метрики оценки качества моделей Machine Learning
Результаты:
- Умеете строить линейную и полиномиальную регрессию.
- Умеете решать задачи классификации и кластеризации.
- Знаете, как провести базовый Time Series Analysis.
- Умеете строить прогнозы на основе полученных данных.
- Умеете работать с пакетами PyTorch, TensorFlow и Keras для построения моделей Machine Learning.
- Знакомы с метриками оценки качества моделей.
- Понимаете, какой алгоритм работает «под капотом» нейросетей.
- Построили первую нейронную сеть вручную.
- Умеете пользоваться нейросетями для прогнозирования.
Темы:
- Считывание и обработка данных
- EDA, Feature Engineering, Feature Importance
Результаты:
- Считываете данные из CSV, JSON, XLSX, SQLite.
- Знаете, как работать с Missing Data.
- Строите ясные визуализации для данных.
- Умеете находить закономерности в данных.
- Понимаете, почему так важно правильно собрать и обработать данные перед построением моделей прогнозирования и почему нельзя просто взять все данные и забросить в модель.
- Знакомы с понятием Feature и знаете, что это такое в каждой модели.
- Понимаете, зачем использовать Feature Importance.
Темы:
- Обработка Big Data: парадигмы, параллельное вычисление, распределенные системы
- Компоненты Spark: Core, SQL, MlLib, Streaming, GraphX
- Основы Spark: RDD, transformations и actions, lazy evaluations
- Популярные API для работы со Spark
- Базовые операции в Databricks Notebook, синтаксис PySpark, визуализация данных
- Что такое майндсет дата-саентиста
- Формулировка гипотез и методы их проверки
- Понимание потребностей бизнеса, сочетание требований и математических пожеланий
- Выбор подхода и модели, оценка моделей
- Разделение задачи от ПО на таски, планирование
- Презентация результатов и окончательного решения
- Построение профиля Data Scientist
Результаты:
- Понимаете, что такое Big Data и знаете принципы их обработки.
- Знаете основы Spark и типичные ситуации для ее применения.
- Обладаете базовым синтаксисом PySpark для операций в Spark.
- Работаете с данными в Databricks Notebooks.
- Применяете майндсет дата-саентиста на практике.
Результаты:
- Получите Tabular Data и примените все скилы, освоенные в течение курса, на практике.
- Обработаете данные, построите визуализацию, соберете пайплайн, построите и натренируете модель для прогнозирования.
- Представите свою модель коллегам.