Профессия Data Scientist с 0 до PRO
Станьте специалистом по поиску бизнес-решений или обучению нейросетей, даже если у вас нет опыта программирования.


Описание:
Почему стоит учиться на Data Scientist
Востребованность
Компании генерируют все больше данных, принимать правильные управленческие решения становится сложнее, потребность в специалистах растет. По данным hh.ru, зарплаты специалистов в области Data Science составляют 100–250 тысяч рублей.
Интересные задачи
Каждый новый массив данных — это захватывающая головоломка, испытание ваших способностей. Рекомендательные системы Netflix, распознавание песен Shazam, программы лояльности крупнейших онлайн- и офлайн-магазинов — за всем этим стоит работа специалиста по анализу данных и машинному обучению.
Кому подойдёт этот курс
- Новичкам. Вы только начали интересоваться Data Science. Хотите развиваться, но вам недостает опыта в программировании и работе с данными.
- Data-аналитикам в начале пути. Вы освоили первые приемы работы с Big Data и завели свой профиль на Kaggle. Понимаете, что для роста вам нужно структурировать знания и выбрать специализацию.
- Маркетологам и управленцам. Вы используете данные каждый день, они помогают принимать управленческие решения. Нехватка знаний о Data Science мешает полностью доверять отчетам аналитиков и готовить для них технические задания.
Мы предоставляем каждому из наших студентов возможность стажировки в топовых компаниях России, а также помощь в трудоустройстве и прохождении собеседований
Программа курса:
После прохождения базового курса вы сможете выбрать специализацию: аналитика или машинное обучение. Домашние задания содержат настоящие данные, то есть после курса вы фактически будете иметь за плечами год реальной практики.
Блок 1. Аналитика. Начальный уровень
Модуль 1. Введение в Data Science
Модуль 2. Введение в Python
Модули 3–4. Библиотека NumPy
Модули 5–6. Библиотека pandas
Модули 7. Чтение и запись данных
Модуль 8. Основы SQL
Модуль 9. Чтение и запись данных
Модуль 10. Обработка данных
Модуль 11. Визуализация данных с помощью Matplotlib
Модуль 12. Заключение
Блок 2. Машинное обучение. Начальный уровень
Модуль 1. Основные концепции Machine Learning (ML)
Модули 2–4. Жизненный цикл ML-проекта
Модули 5–6. Регрессия
Модуль 7–8. Классификация
Модуль 9. Кластеризация
Модули 10–11. Дополнительные техники
Модуль 12. Знакомство с Kaggle
Модуль 13. Заключение
Блок 3. Вариант 1. Аналитика. Средний уровень
Модуль 1. Введение
Модуль 2. A/B-тестирование
Модуль 3. Анализ временных рядов
Модуль 4. Выявление аномалий (Scikit-Learn)
Модули 5–7. Язык программирования R
Модули 8–9. Создание аналитических панелей (Dashboard) на Python и R
Модуль 10. Заключение
Блок 3. Вариант 2. Машинное обучение. Средний уровень
Модуль 1. Введение
Модули 2–3. Введение в нейронные сети
Модуль 4. Google Colab
Модули 5–6. Нейронные сети прямого распространения
Модули 7–8. Автокодировщики
Модули 9–10. Сверточные нейронные сети
Модуль 11. Введение в NLP (обработку естественного языка)
Модуль 12. Рекомендательные системы
Модуль 13. Вывод моделей машинного обучения в production, post-production и мониторинг
Модуль 14. Заключение