DATA SCIENTIST

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, зачем 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 в 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:

• Что такое майндсет дата-сайентиста
• Deploy моделей

Результаты:

• Понимаете, как строится проект Data Science с нуля.
• Знаете, как формируются предположения и гипотезы, и умеете их проверять.
• Руководствуетесь потребностями бизнеса при работе с данными и построении прогнозов.
• Умеете оценивать свои модели.
• Знаете, как презентовать результаты работы менеджменту.
• Умеете деплоить и редеплоить собственные модели в Docker.

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.