Постройте карьеру в анализе данных и обучении нейронных сетей
Начните работать по специальности уже через полгода обучения
Новые знания сделают вас востребованым специалистом в Data Scientist
Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы. Вы научитесь не только работать с аналитикой, нейронными сетями, Big Data и помогать компаниям и продуктам расти с помощью технологий, но и освоите ключевые «мягкие навыки»: коммуникацию в команде, целеполагание и эмоциональный интеллект. Курс даёт хорошую базу для перехода из программирования в Data Science и анализ больших данных. Вас ждёт много практической работы, разбор кейсов и новые полезные знакомства.
Под руководством опытных наставников вы примете участие в конкурсах и сможете заработать ценные призы и — что самое важное — рейтинг, который станет большим преимуществом при приёме на работу
Чему вы научитесь
Как проходит обучение
Вы не останетесь один на один с новым: индивидуальные консультации с ментором, персональная обратная связь по проектам, работа с тимлидом в командном проекте
Вы научитесь мыслить алгоритмически и программировать через отработку алгоритмов, чтобы решать нетривиальные задачи в разработке
Вы освоите навыки через практику: тренажеры, домашние задания, интерактивные вебинары, сквозные проекты, командный проект
Программа курса
- Базовые типы данных и циклы
- Функции и классы
- Продвинутые типы данных: массивы, множества, словари
- Библиотеки для анализа данных: NumPy, Pandas, Matplotlib
- Визуализация в Python
- Базовые понятия статистики
- Случайные события. Случайные величины
- Логистическая регрессия и дискриминационный анализ
- Корреляция и корреляционный анализ
- Доверительные интервалы. Статистическая проверка гипотез
- Линейная алгебра. Вектора
- Линейная алгебра. Матрицы
- Продвинутая линейная алгебра
- Математический анализ. Производная
- Производная функции нескольких аргументов
- Теория оптимизации
- Теория вероятности. Дискретные и непрерывные случайные величины
- Центральная предельная теорема и закон больших чисел
- Архитектура и структура баз данных (БД)
- Простые запросы, join`ы, агрегаты
- Базовые команды в SQL и встроеные аналитические функции
- Импорт и экспорт данных посредством SQL и ETL программ
- Принципы работы с различными БД
- Основные библиотеки для подключения к БД из Python
- Функции SQL и их аналоги в pandas
- Консоль (знакомство, основные операторы, утилита psql)
- Архитектура и проектирование
- Нормализация
- Зависимости
- Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия
- Классификация: логистическая регрессия и SVM
- Функции потерь и оптимизация
- Оценка точности модели, переобучение, регуляризация
- Проблема качества данных
- Работа с пропусками и переменными
- Введение в нейронные сети и библиотеку Tensor Flow
- Углубление в нейронные сети и библиотеку Tensor Flow
- Введение в свёрточные нейронные сети
- Введение в рекуррентные сети
- Автокодировщики
- Введение в генеративно-состязательные сети
- Регрессия и персептрон
- Многослойная нейронная сеть: регуляризация, градиентный спуск, ускорение обучения
- Свёрточные сети: свёрточные архитектуры, многомерные свертки, сегментация
- Рекуррентные сети: RNN, GRU и LSTM, Encoder-Decoder архитектура
- Внимание: Dense Attention и Beam search
- Компьютерное зрение: SSD, Region Based CNN, Faster R-CNN, Masked R-CNN, UNet, перенос стиля и FCN
- Работа с текстом: языковые модели, Embeddings, Word2Wec, FastText, NER, Transformer, BERT и Elmo
- GAN’ы: дискриминатор, генератор, продвинутые архитектуры
