Data Scientist od podstaw do PRO - kurs 233 640 RUB. z SkillFactory, szkolenie 24 miesiące, data 15 sierpnia 2023.
Miscellanea / / November 29, 2023
Po kursie podstawowym będziesz mógł wybrać węższą specjalizację z Data Science - Inżynier ML, Inżynier CV lub Inżynier NLP
Inżynier M.L — Programista uczenia maszynowego
Opracuj model przewidywania ratingu kredytowego
Rozwiąż problem klasyfikacji spamowych wiadomości SMS
Opracuj system rekomendowania odpowiednich produktów przy zakupie
Zbuduj model zwiększania sprzedaży w biznesie detalicznym
Twórz obrazy na podstawie opisu tekstowego za pomocą sieci neuronowej DALL-E
Inżynier CV — Specjalista ds. wizji komputerowej
Naucz się rozwiązywać wszystkie podstawowe problemy z zakresu widzenia komputerowego
Zdobędziesz wiedzę na temat rzeczywistego przepływu pracy z modelami CV, aktualnych podejść i zaawansowanych narzędzi niezbędnych do tworzenia usług CV
W finalnym projekcie stwórz wirtualnego trenera, który będzie w stanie ocenić poprawność ćwiczeń na wideo
Inżynier NLP — Specjalista ds. przetwarzania języka naturalnego
Poznaj przetwarzanie języka naturalnego
Zrozumienie zadań NLP - klasyfikacja, podsumowywanie i generowanie tekstu, tworzenie systemów do tłumaczenia maszynowego i systemów odpowiadania na pytania
W końcowym projekcie samodzielnie opracujesz narzędzia do automatycznego wyszukiwania kontekstów na dane tematy.
BAZA
Na tym etapie poznasz podstawy programowania w Pythonie, dowiesz się jak wstępnie przetwarzać i analizować dane, a także poznasz główne zadania analityka danych.
Wprowadzenie - 1 tydzień
Będziesz mógł sformułować dla siebie realne cele edukacyjne, dowiedzieć się, jaką wartość DS ma dla biznesu, zapoznać się z głównymi zadaniami analityka danych i zrozumieć, w jaki sposób rozwija się każdy Projekt DS.
WSTĘP-1. Jak efektywnie się uczyć – onboarding na szkoleniach
WSTĘP-2. Przegląd zawodu. Rodzaje problemów w Data Science. Etapy i podejścia do opracowania projektu Data Science
Projekt deweloperski - 5 tygodni
Nauczysz się pracować z podstawowymi typami danych przy użyciu Pythona i będziesz mógł używać konstrukcji pętli, instrukcji warunkowych i funkcji w swojej codziennej pracy.
PYTON-1. Podstawy Pythona
PYTON-2. Zanurzanie się w typach danych
PYTON-3. Instrukcje warunkowe
PYTON-4. Cykle
PYTON-5. Funkcje i programowanie funkcjonalne
PYTON-6. Ćwiczyć
PYTON-7. Przewodnik po stylu Pythona (bonus)
Podstawy matematyki - 7 tygodni
MATEMATYKA-1. Liczby i wyrażenia
MAtematyka-2. Równania i nierówności
MATEMATYKA-3. Podstawowe pojęcia teorii funkcji
MATEMATYKA-4. Podstawy geometrii: planimetria, trygonometria i stereometria
MATEMATYKA-5. Zbiory, logika i elementy statystyki
MATEMATYKA-6. Kombinatoryka i podstawy teorii prawdopodobieństwa
MATEMATYKA-7. Rozwiązywanie problemów
Praca z danymi - 8 tygodni
Na tym etapie opanujesz podstawowe umiejętności związane z danymi: jak przygotować, oczyścić i przekształcić dane, aby nadawały się do analizy. A skoro mowa o analizie: dane będziesz analizować korzystając z popularnych bibliotek Matplotlib, Seaborn, Plotly.
PYTON-8. Narzędzia do nauki danych
PYTON-9. Biblioteka NumPy
PYTON-10. Wprowadzenie do Pand
PYTON-11. Podstawowe techniki pracy z danymi w Pandach
PYTON-12. Zaawansowane techniki danych w Pandach
PYTON-13. Czyszczenie danych
PYTON-14. Wizualizacja danych
PYTON-15. Zasady OOP w Pythonie i kodzie debugującym (moduł opcjonalny)
Projekt 1. Analityka zbioru danych dotycząca zamkniętych problemów
Ładowanie danych - 6 tygodni
Będziesz mógł pobierać dane z różnych formatów i źródeł. Pomoże Ci w tym SQL, strukturalny język zapytań. Nauczysz się korzystać z funkcji agregujących, złączeń tabel i złączeń złożonych.
PYTON-16. Jak pobierać dane z plików w różnych formatach
PYTON-17. Pobieranie danych ze źródeł internetowych i interfejsów API
SQL-0. Witaj SQLu!
SQL-1. Podstawy SQL
SQL-2. Funkcje agregujące
SQL-3. Łączenie stołów
SQL-4. Złączenia złożone
Projekt 2. Ładowanie nowych danych. Udoskonalenie analizy
Analiza danych statystycznych – 7 tygodni
Twoja uwaga skupi się na analizie danych wywiadowczych (EDA). Poznasz wszystkie etapy takiej analizy i dowiesz się, jak ją przeprowadzić, korzystając z bibliotek Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Ponadto będziesz mógł pracować na Kaggle, popularnej usłudze udziału w konkursach.
EDA-1. Wprowadzenie do analizy danych wywiadowczych. Algorytmy i metody EDA
EDA-2. Statystyka matematyczna w kontekście EDA. Rodzaje cech
EDA-3. Inżynieria funkcji
EDA-4. Statystyczna analiza danych w Pythonie
EDA-5. Statystyczna analiza danych w Pythonie. Część 2
EDA-6. Projekt eksperymentów
EDA-7. Platforma Kaggle
Projekt 2
Wprowadzenie do uczenia maszynowego - 9 tygodni
Zapoznasz się z bibliotekami ML do modelowania zależności danych. Będziesz potrafił trenować główne typy modeli ML, przeprowadzać walidację, interpretować wyniki pracy i wybierać ważne cechy (ważność cech).
ML-1. Teoria uczenia maszynowego
ML-2. Uczenie się nadzorowane: regresja
ML-3. Uczenie się pod nadzorem: klasyfikacja
ML-4. Uczenie się bez nadzoru: techniki grupowania i redukcji wymiarowości
ML-5. Walidacja danych i ocena modelu
ML-6. Selekcja i selekcja cech
ML-7. Optymalizacja hiperparametrów modelu
ML-8. Książka kucharska ML
Projekt 3. Problem klasyfikacji
GŁÓWNA JEDNOSTKA
Algebra liniowa, analiza matematyczna, matematyka dyskretna – brzmi przerażająco, ale nie bój się: przeanalizujemy wszystkie te tematy i nauczymy Cię, jak z nimi pracować! W drugim etapie zgłębisz matematykę i podstawy uczenia maszynowego, dowiesz się więcej o zawodach DS i dzięki doradztwu zawodowemu wybierzesz kierunek studiów na drugim roku.
Matematyka i uczenie maszynowe. Część 1 – 6 tygodni
Będziesz potrafił rozwiązywać praktyczne problemy za pomocą obliczeń ręcznych i języka Python (obliczenia wektorowe i macierzowe, praca na zbiorach, badanie funkcji z wykorzystaniem analizy różnicowej).
MATEMATYKA i ML-1. Algebra liniowa w kontekście metod liniowych. Część 1
MATEMATYKA i ML-2. Algebra liniowa w kontekście metod liniowych. Część 2
MATEMATYKA i ML-3. Analiza matematyczna w kontekście problemu optymalizacyjnego Część 1
MATEMATYKA i ML-4. Analiza matematyczna w kontekście problemu optymalizacyjnego. Część 2
MATEMATYKA i ML-5. Analiza matematyczna w kontekście problemu optymalizacyjnego. Część 3
Projekt 4. Problem regresji
Matematyka i uczenie maszynowe. Część 2 – 6 tygodni
Zapoznasz się z podstawowymi pojęciami teorii prawdopodobieństwa i statystyki matematycznej, algorytmów klastrowanie, a także nauczyć się oceniać jakość przeprowadzonego grupowania i prezentować wyniki forma graficzna.
MATEMATYKA i ML-6. Teoria prawdopodobieństwa w kontekście naiwnego klasyfikatora Bayesa
MATEMATYKA i ML-7. Algorytmy oparte na drzewach decyzyjnych
MATEMATYKA i ML-8. Wzmocnienie i układanie
MATEMATYKA i ML-9. Techniki grupowania i redukcji wymiarowości. Część 1
MATEMATYKA i ML-10. Techniki grupowania i redukcji wymiarowości. Część 2
Projekt 5. Metody zespołowe
Matematyka dyskretna - 4 tygodnie
MATH&MGU-1 Zbiory i kombinatoryka
Logika MATH&MGU-2
Wykresy MATH&MGU-3. Część 1
Wykresy MATH&MGU-4. Część 2
ML w biznesie – 8 tygodni
Nauczysz się wykorzystywać biblioteki ML do rozwiązywania problemów szeregów czasowych i systemów rekomendacyjnych. Będziesz mógł wytrenować model ML i zweryfikować go, a także stworzyć działający prototyp i uruchomić model w interfejsie WWW. A także zdobądź umiejętności testowania A/B, abyś mógł ocenić model.
MATEMATYKA i ML-11. Szereg czasowy. Część 1
MATEMATYKA i ML-12. Szereg czasowy. Część 2
MATEMATYKA i ML-13. Systemy rekomendacyjne. Część 1
MATEMATYKA i ML-14. Systemy rekomendacyjne. Część 2
PROD-1. Przygotowanie modelu do produkcji
PROD-2. PrototypStreamlit+Heroku
PROD-3. Zrozumienie biznesu. Sprawa
Projekt 6. Temat do wyboru: Szeregi czasowe lub Systemy rekomendujące
POZIOM PRO
W trzecim etapie zapoznasz się z jedną z metod uczenia maszynowego – deep learning (DL). A także czeka na Ciebie pełnoprawny blok wybranej specjalizacji: możesz opanować umiejętności uczenia maszynowego (ML), zapoznaj się z procedurą CV (wizja komputerowa) lub udoskonalaj NLP*, naturalne przetwarzanie język.
Drugi rok studiów - 3 specjalizacje do wyboru
Doradztwo zawodowe
ML, CV czy NLP: na tym etapie musisz w końcu dokonać wyboru, którą ścieżkę wybrać dalej. Opowiemy Ci o każdej specjalizacji i zaproponujemy rozwiązanie kilku praktycznych problemów, aby ułatwić Ci podjęcie decyzji.
Śledź ML - inżynier
Na ścieżce ML nauczysz się rozwiązywać dogłębne problemy uczenia maszynowego, opanujesz kompetencje inżyniera danych i doskonalisz umiejętności pracy z bibliotekami Pythona. Dowiesz się także, jak stworzyć MVP (minimalną wersję produktu), poznasz wszystkie zawiłości związane z wyprowadzaniem modelu ML na produkcję i dowiesz się, jak inżynierowie ML pracują w prawdziwym życiu.
Wprowadzenie do głębokiego uczenia się
Podstawy inżynierii danych
Dodatkowe rozdziały dotyczące języka Python i ML
Ekonomiczna ocena efektów i rozwój MVP
ML do produkcji
Dogłębne studium rozwoju ML i projektu dyplomowego na wybrany temat
Śledź CV - inżynier
Na ścieżce CV nauczysz się rozwiązywać problemy widzenia komputerowego takie jak klasyfikacja obrazu, segmentacja i wykrywanie, generowanie i stylizacja obrazu, przywracanie i poprawa jakości fotografie. Ponadto dowiesz się, jak wdrożyć sieci neuronowe do produkcji.
Wprowadzenie do głębokiego uczenia się
Podstawy inżynierii danych
Dodatkowe rozdziały dotyczące języka Python i ML
Ekonomiczna ocena efektów i rozwój MVP
ML do produkcji
Dogłębne studium rozwoju ML i projektu dyplomowego na wybrany temat
Śledź NLP - inżynier
Podczas szkolenia na ścieżce NLP dowiesz się, jak rozwiązywać główne problemy przetwarzania języka naturalnego, m.in łącznie z klasyfikacją, podsumowaniem i generowaniem tekstu, tłumaczeniem maszynowym i tworzeniem dialogów systemy
Wprowadzenie do głębokiego uczenia się
Matematyka sieci neuronowych dla NLP
Sprzęt i oprogramowanie do rozwiązywania problemów NLP
Zadania i algorytmy NLP
Sieci neuronowe w produkcji
Dogłębne studium rozwoju NLP i projektu dyplomowego na wybrany temat
Jeśli wybierzesz specjalizację CV lub ML, możesz bezpłatnie wziąć udział w kursie NLP bez wsparcia mentora.
Głębokie uczenie się i sieci neuronowe
Gdzie wykorzystuje się sieci neuronowe? Jak trenować sieć neuronową? Co to jest głębokie uczenie się? Odpowiedzi na te pytania znajdziesz w bonusowej sekcji DL.
Wprowadzenie do inżynierii danych
Dowiesz się, czym różni się rola analityka danych od inżyniera danych, z jakich narzędzi ten ostatni korzysta w swojej pracy i jakie zadania rozwiązuje na co dzień. Słowa „płatek śniegu”, „gwiazda” i „jezioro” nabiorą nowego znaczenia :)