Data Science: быстрый старт

С помощью этого курса Вы научитесь:

• Писать на Python

Выучите синтаксис одного из самых популярных языков программирования, сможете создавать и применять функции

• Понимать особенности машинного обучения

Узнаете ключевые инструменты Machine Learning и научитесь их применять

• Работать с рекомендательными системами

Изучите типы и задачи рекомендательных систем, а также сможете создавать собственные

• Переносить проекты на Hadoop

Попрактикуемся в работе с Hadoop и разберем подход MapReduce

Программа курса:

Блок 1: "Python, быстрый старт: типы данных, функции, циклы, классы, ошибки"

• синтаксис
• форматирование строк, следования, ветвления и циклы
• создание и применение функций

Блок 2: "Библиотеки для анализа данных: Pandas, Numpy, Matplotlib, Plotly"

• существующие библиотеки и их различия
• подключение и практика с Pandas, Numpy
• работа с Matplotlib и Plotly

Блок 3: "Знакомство с машинным обучением. Этапы построение ML системы"

• задачи машинного обучения
• ключевые инструменты Machine Learning и их применение
• задачи предобработки данных и практика

Блок 4: "Основные модели машинного обучения: линейная и логистическая регрессии"

• что такое модели машинного обучения?
• практика основных моделей
• использование линейных методов и логистической регрессии

Блок 5: "Ваш первый Machine Learning проект на Python"

• сбор Machine Learning проекта
• разбор типовых ошибок
• обзор примеров проектов и создание своего

Блок 6: "Построение надежных стратегий валидации - важность локальной валидации"

• проблема переобучения и недообучения
• валидация на отложенной выборке
• бутстрап и построение доверительных интервалов
• KFold и Stratified KFold валидация

Блок 7: "Деревья решений и knn"

• определение и процесс построения решающего дерева
• критерии информативность для задачи регрессии и задачи классификации
• принцип работы дерево с количественными и категориальными признаками
• сравнение дерева решений с линейными моделями

Блок 8: "Алгоритмы кластеризации и оценка качества"

• постановка задачи кластеризации, примеры задач
• метрики для оценки качества решения задачи кластеризации
• KMeans, Иерархическая кластеризация
• практика кластеризации

Блок 9: "Feature Engineering, Feature Selection"

• базовые подходы к созданию признаков: агрегации, отношения, статистики
• базовые подходы к обработке категориальных признаков
• продвинутые подходы к созданию признаков: mean-target encoding, признаки на основе KNN
• оценка важности признаков на основе перестановочного критерия

Блок 10: "Предсказание оттока пользователей с сервиса и другие прикладные задачи"

• практическая задача по предсказанию оттока пользователей
• применяем логистическую и линейную регрессию на рабочем проекте

Блок 11: "Работа над дипломной работой"

• практическая задача по скорингу заявок и скорингу кредитного портфеля
• разбираем типовые ошибки из ДЗ
• собираем дипломный проект и отдаём на оценку ментору

Перспективы:

• Цифровой сертификат - Выпускники получают сертификат об успешном прохождении курса — что, вместе с дипломным проектом, будет хорошим аргументом при трудоустройстве
• Средняя зарплата от 180 000 ₽
• Помощь с трудоустройством и стажировкой