Data Scientist: Программа для разработчиков, аналитиков и продакт-менеджеров
Базовые алгоритмы и понятия машинного обучения. Feature engineering. Рекомендательные системы. Обработка естественного языка. Машинное зрение. Временные ряды, прогнозирование стоимости товаров. Общение с заказчиком. Дополнительные инструменты и среды data science.
Что даст курс обучения Data Science
Практика решения реальных задач
Вы научитесь создавать рекомендательные системы, создавать и обучать нейросети, обрабатывать тексты на естественном языке. 50% времени курса отводится на практические занятия и применение знаний в медиасервисах, ecommerce, онлайн-маркетинге, сервисах путешествий и других прикладных областях.
Очное обучение у профессионалов и практиков
На курс мы подобрали преподавателей, которые каждый день обучают машины, работают с большими данными и решают задачи, с которыми вам предстоит разобраться. Каждый преподаватель — профессионал с хорошей репутацией в профессиональном сообществе. Многие из них преподают в университетах и на открытых курсах по data science.
Не только алгоритмы, библиотеки и инструменты
Кроме технических навыков, каждому специалисту важно понимать поставленную задачу и доносить результаты своей работы до заказчика. Вы будете практиковаться в формализации требований, визуализации данных, составлении отчетов и презентаций для заказчика.
Карьерный и финансовый рост, диплом о переподготовке
Вы получите диплом о профессиональной переподготовке по специальности «Аналитик данных/Специалист по машинному обучению». С ним сможете претендовать на позицию «Аналитик данных», «Разработчик machine learning» с зарплатой от 120 тысяч рублей.
Экспресс-обучение основным инструментам: Python 3, git, библиотеки numpy, pandas. Обзор основного математического аппарата: матричные операции, введение в статистику и проверку гипотез.
Введение в data science, основные инструменты
Что такое data science, big data, как это работает и где применяется. Эксплоративный анализ и библиотеки визуализации данных. Обзор методов машинного обучения в бибилотеке scikit-learn.
Базовые алгоритмы и понятия машинного обучения
Разбор основных задач и алгоритмов машинного обучения: деревья решений, метод k ближайших соседей, линейный классификатор и логистическая регрессия, кластеризация. Проверка точности модели. Проблема переобучения и борьба с ней: регуляризация, ансамблирование.
Feature engineering
Проблемы качества и размерности данных. Уменьшение размерности данных. Методы декомпозиции. Cпрямляющие пространства.
Рекомендательные системы
Введение в рекомендательные системы. Неперсонализированные рекомендации. Персонализированные рекомендации. Развитие рекомендательных систем.
Обработка естественного языка (NLP)
Введение в обработку текста. Обзор существующих библиотек, их использование и доработка. Использование внешних ресурсов. Грязные тексты: что это такое и как с ними работать. Дистрибутивная семантика. Чатботы: разбор генерации текстов. Нейросети для NLP.