Профессия Data Scientist с 0 до PRO

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

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