DATA SCIENTIST

Теми:

• Python та Jupyter Notebook
• Принципи ООП та їхнє застосування в програмуванні на Python
• Базові концепти Python
• Функціональне програмування
• Особливості програмування на Python
• Основні бібліотеки та фреймворки Python
• Бібліотеки Python для Data Science

Результати:

• Знайомі з концептом і принципами програмування на Python.
• Знаєте базовий синтаксис Python.
• Вмієте користуватися Jupyter Notebook.
• Знайомі з принципами ООП та застосовуєте їх на практиці.
• Розумієте різницю між обʼєктно-орієнтованим і функціональним програмуванням.
• Вмієте використовувати код на Python для пошуку та обробки даних.
• Розумієте, для чого потрібні бібліотеки Python, та знайомі з основними з них.
• Знаєте, які бібліотеки Python використовують у Data Science, та вмієте працювати з ними.

Теми:

• Основні концепти лінійної алгебри
• Поняття вектора та операції з векторами
• Поняття матриці та операції над матрицями
• Векторний, нормативний та математичний простір
• Події та ймовірність
• Розподіл імовірностей
• Дисперсія
• Види розподілів

Результати:

• Актуалізували забуті знання з лінійної алгебри та статистики.
• Знайомі з поняттям просторів у математиці та розумієте, для чого вони потрібні.
• Знайомі з концептами теорії ймовірностей.
• Знаєте формули розрахунку ймовірностей та вмієте ними користуватися.
• Розумієте, що таке розподіл, дисперсія, кореляція, коваріація.
• Вмієте описувати задачі математичною мовою.
• Застосовуєте математичні формули для розвʼязання задач Data Science.

Теми:

• Що таке дані та як їх зберігати
• SQL для роботи з даними

Результати:

• Розумієте, що таке дані та як правильно їх зберігати.
• Розбираєтесь у видах баз даних.
• Розумієте різницю між DB та DBMS.
• Вмієте писати SQL-запити та користуватися операторами INSERT, DELETE, SELECT, WHERE та JOIN.
• Знаєте, як «витягнути» потрібні дані з бази.

Теми:

• Регресія
• Задачі класифікації
• Метод опорних векторів
• Дерева ухвалення рішень
• Задачі кластеризації
• Методи прогнозування
• Методи оцінки якості прогнозів
• Поняття нейронних мереж
• Бібліотеки та фреймворки для роботи з нейромережами
• Метрики оцінки якості моделей Machine Learning

Результати:

• Вмієте будувати лінійну та поліноміальну регресію.
• Вмієте розв'язувати задачі класифікації та кластеризації.
• Знаєте, як провести базовий Time Series Analysis.
• Вмієте будувати прогнози на основі отриманих даних.
• Вмієте працювати з пакетами PyTorch, TensorFlow, Keras для побудови моделей Machine Learning.
• Знайомі з метриками оцінки якості моделей.
• Розумієте, який алгоритм працює «під капотом» нейромереж.
• Побудували першу нейронну мережу вручну.
• Вмієте користуватися нейромережами для прогнозування.

Теми:

• Зчитування та обробка даних
• EDA, Feature Engineering, Feature Importance

Результати:

• Зчитуєте дані із CSV, JSON, XLSX, SQLite.
• Знаєте, як працювати з Missing Data.
• Будуєте зрозумілі візуалізації для даних.
• Вмієте знаходити закономірності в даних.
• Розумієте, чому так важливо правильно зібрати та обробити дані перед побудовою моделей прогнозування і чому не можна просто взяти всі дані та закинути в модель.
• Знайомі з поняттям Feature та знаєте, що це таке в кожній моделі.
• Розумієте, навіщо використовувати Feature Importance.

Теми:

• Що таке майндсет дата-саєнтиста
• Deploy моделей

Результати:

• Розумієте, як будується проєкт Data Science із нуля.
• Знаєте, як формуються припущення й гіпотези, та вмієте їх перевіряти.
• Керуєтеся потребами бізнесу під час роботи з даними та побудови прогнозів.
• Вмієте оцінювати власні моделі.
• Знаєте, як презентувати результати своєї роботи менеджменту.
• Вмієте деплоїти та редеплоїти власні моделі в Docker.

Результати:

• Отримаєте Tabular Data і застосуєте всі скіли, опановані протягом курсу, на практиці.
• Опрацюєте дані, побудуєте візуалізації, зберете пайплайн, побудуєте та натренуєте модель для прогнозування.
• Представите свою модель колегам.