Data Scientist

С помощью этого курса Вы научитесь:

• Работать с SQL
  Научитесь писать запросы, работать с данными в базе без переноса в таблицы, загружать данные и сохранять историю, работать с разными форматами файлов
• Использовать Python и библиотеки анализа данных
  Автоматизировать работу с большими массивами, получать данные из внешних источников, обосновывать выводы, сделанные на основании данных
• Строить модели машинного обучения
  Подготавливать данные и быстро строить на них ML-модели. Проверять гипотезы, строить рекомендательную систему и нейронную сеть, выявлять скрытые аномалии в данных
• Использовать сложную математику для Data Science
  Освоите необходимый математический аппарат для продуктивной работы с моделями данных, машинным обучением и нейронными сетями

Программа курса:

Блок 1: "Получение и подготовка данных: SQL"

• Основы SQL
• Обновление, добавление и удаление данных. Работа с таблицами
• Представления и хранимые процедуры. Особенности обработки транзакций
• Расширенные возможности SQL и основные ограничения
• Фильтрация данных и вычисляемые поля - практика (SELECT, SUM, AVG, GROUP BY, ..)
• Группировка данных, подзапросы и объединение таблиц - практика (INNER, LEFT, RIGHT, DISTINCT, ..)
• Обновление, добавление и удаление данных. Работа с таблицами (INSERT, UPDATE, DELETE, MERGE, FOREIGN KEY, ..)
• Работа с популярными программами (MySQL, SQL Server, Redash, Tableau)

Блок 2: "Python, мат.модели и обработка данных"

• Python: настройка окружения, базовые структуры данных и основные операторы
• Python: работа с файлами и форматированный вывод
• Python: пространства имен и области видимости, классы и объекты
• Python: инструменты функционального программирования
• Python: стандартные и сторонние библиотеки Python для анализа данных
• Основы линейной алгебры и теории множеств
• Методы математической оптимизации
• Основы описательной статистики
• Статистический анализ данных

Блок 3: "Построение Machine Learning моделей"

• Линейные методы, логистическая регрессия и SVM
• Деревья решений
• Линейная и полиноминальная регрессия
• Алгоритмы кластеризации
• Способы повышения качества модели
• Функции потерь и оптимизация
• Оценка точности модели, борьба с переобучением, регуляризация
• Улучшение качества модели

Блок 4: "Рекомендательные системы и обработка естественного языка (NLP)"

• Неперсонализированные рекомендательные системы
• Сontent-based-рекомендации
• Collaborative Filtering
• Гибридные алгоритмы
• Поиск по картинкам
• Сегментация изображений, детекция объектов
• Применение свёрточных нейронных сетей для задач сегментации и детекции
• Применение рекуррентных сетей в задачах обработки изображений
• Генеративные конкурирующие сети (GAN)
• Морфологический и синтаксический анализ
• Методы снижения размерности в векторной модели
• Информационный поиск
• Тематическое моделирование (LSA, LDA, HDP)
• Дистрибутивная семантика (word2vec, GloVe, AdaGram)
• Счётные языковые модели и вероятностные языковые модели. LSTM.
• Машинный перевод
• Генерация текстов (Natural Language Generation)
• Задача классификации в АОТ

Блок 5: Дипломная работа и помощь с трудоустройством

• Работа над дипломным проектом для портфолио
• Подготовка резюме
• Подготовка к собеседованию
• Финальная защита и консультации

Перспективы:

• Цифровой сертификат - Выпускники получают сертификат об успешном прохождении курса — что, вместе с дипломным проектом, будет хорошим аргументом при трудоустройстве
• Средняя зарплата от 165 000 ₽
• Помощь с трудоустройством и стажировкой