47 курсов по Data Science и Data Scientist доступных для прохождения в 2024 году

Вы научитесь создавать аналитические системы и использовать алгоритмы машинного обучения, освоите работу с нейросетями. Наполните портфолио и получите престижную профессию.

• Длительность 19 месяцев
• Помощь в трудоустройстве
• 7 курсов в одной программе
• Доступ к курсу навсегда

На рынке не хватает специалистов по Data Science

• 500 компаний,

включая Сбербанк, Яндекс и Тинькофф, ищут специалистов по Data Science

• 100 000 рублей

зарплата начинающего специалиста

Кому подойдёт этот курс

• Людям без подготовки в IT

Вы получите базовые навыки по программированию,  аналитике, статистике и математике, которые откроют путь к карьере в Data Science и Machine Learning. Сможете использовать свои знания сразу на практике.

• Программистам

Вы прокачаете свои знания и навыки в программировании на Python и R. Подтянете математику и умение мыслить как аналитик, использовать алгоритмы машинного обучения для решения бизнес-задач — и усилите портфолио мощными проектами.

• Менеджерам и владельцам бизнеса

Научитесь использовать данные для построения прогнозов и оптимизации бизнес-процессов и переведёте компанию на новый уровень.

Чему вы научитесь

1. Программировать на Python

Освоите самый популярный язык для работы с данными.

2. Визуализировать данные

Сможете разрабатывать дашборды или интерактивную инфографику.

3. Работать с библиотеками и базами данных

Научитесь работать с библиотеками Pandas, NumPy и Matpotlib и освоите базы данных PostgreSQL, SQLite3, MongoDB.

4. Применять нейронные сети для решения реальных задач

Освоите фреймворки для обучения нейронных сетей Tensorflow и Keras. Узнаете, как устроены нейронные сети для задач компьютерного зрения и лингвистики.

5. Строить модели машинного обучения

Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.

6. Создавать рекомендательные системы

Построите рекомендательную систему и добавите её в своё портфолио.

Помогаем построить карьеру мечты

Вас ждёт индивидуальная карьерная консультация, помощь в оформлении резюме и портфолио. На основе ваших пожеланий подберём подходящие вакансии, подготовим к собеседованию и сделаем всё, чтобы вы получили оффер.

За 2021 год мы трудоустроили более 1000 студентов на работу по новой профессии

Программа

Вас ждут 7 курсов с разным уровнем сложности, знание которых можно приравнять к году работы.

• 82 тематических модуля
• 288 онлайн-уроков

1. Python для Data Science
   1. Введение в Data Science
   2. Введение в Python
   3. Основы
   4. Операторы, выражения
   5. Условный оператор if, ветвления
   6. Условный оператор if: продолжение
   7. Цикл while
   8. For: циклы со счетчиком
   9. For: циклы со счетчиком, часть 2. Функция range
   10. Цикл for: работа со строками
   11. Вложенные циклы
   12. Числа с плавающей точкой (int/float)
   13. Функции
   14. float 2
   15. Установка и настройка IDE
   16. Базовые коллекции: Cписки
   17. Методы для работы со списками
   18. List comprehensions
   19. Базовые коллекции: Строки
   20. Базовые коллекции: словари и множества
   21. Базовые коллекции: Кортежи
   22. Функции — Рекурсия
   23. Работа с файлами
   24. Исключения: работа с ошибками
   25. Введение в ООП
   26. Основные принципы ООП
   27. Итераторы и генераторы
2. Аналитика. Начальный уровень
   1. Библиотека NumPy: методы анализа массивов
   2. Библиотека NumPy: способы преобразования массивов
   3. Библиотека pandas: индексация и выбор данных
   4. Библиотека pandas: применение функций, группировка, сортировка
   5. Основы визуализации данных с помощью Matplotlib
   6. Продвинутая визуализация с Matplotlib
   7. Визуализация с Seaborn
   8. Мастер-класс: разведочный анализ (EDA)
   9. Курсовая работа. Подготовка аналитического отчёта на основе имеющихся данных в качестве помощи продюсерам образовательных программ эффективно выстраивать стратегию по обновлению и улучшению курсов
   10. Чтение и запись данных: CSV, XLSX
   11. Основы SQL
   12. Чтение и запись данных: JSON, MongoDB
   13. Работа со строками
   14. Курсовая работа. Часть 1. Подготовка аналитического отчёта для HR-отдела. На основе аналитики необходимо составить рекомендации для отдела кадров по стратегии набора персонала и взаимодействию с сотрудниками
   15. Курсовая работа. Часть 2. подготовка аналитического отчёта для SMM-отдела компании Skillbox на основе паблика Skillbox «ВКонтакте»
3. Статистика и теория вероятностей
   1. Основы статистики и теории вероятностей
   2. Как врать при помощи статистики
4. Основы математики для Data Science
   1. Базовые математические объекты и SymPy. Дроби и преобразования
   2. Базовые математические объекты и SymPy. Функции и дополнительные объекты
   3. Функции одной переменной, их свойства и графики
   4. Интерполяция и полиномы: квадратичные и кубические функции
   5. Аппроксимация и преобразование функций: сдвиги, растяжения, сжатия
   6. Аппроксимация и работа с производными
   7. Функции нескольких переменных, их свойства и графики
   8. Частные производные функции нескольких переменных
   9. Векторы и матрицы. Градиент
   10. Линейная регрессия и системы линейных уравнений
   11. Разложение матриц. Собственные векторы и значения
5. Машинное обучение. Начальный уровень
   1. Основные концепции Machine Learning (ML)
   2. Жизненный цикл ML-проекта
   3. Регрессия: метрики качества, преобразование входных данных
   4. Регрессия: регуляризация и градиентный спуск
   5. Классификация: kNN, наивный байесовский классификатор, деревья решений
   6. Классификация: метрики качества классификации и многоклассовая классификация
   7. Кластеризация
   8. Дополнительные техники: понижение размерности
   9. Дополнительные техники: бустинг и стекинг
   10. Знакомство с Kaggle
   11. Курсовая работа. Проанализировать данные телекоммуникационной компании и спрогнозировать отток пользователей на основе демографических характеристик, услуг, которыми они пользуются, длительности пользования услугами, метода и размера оплаты
6. Машинное обучение. Средний уровень
   1. Введение в нейронные сети
   2. Обучение нейронных сетей
   3. Нейронные сети на практике
   4. Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле)
   5. Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей)
   6. Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN)
   7. Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации
   8. Детектирование объектов. Задачи классификации и локализации 
   9. Детектирование объектов. Анализ и реализация R-CNN-архитектуры
   10. Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API
   11. От дискриминативных моделей к генеративным. Style transfer
   12. Генеративные состязательные сети
   13. Введение в NLP
   14. NLP на нейросетях. Рекуррентные нейросети, классификация текстов
   15. NLP на нейросетях. Языковые модели, Attention, Transformer
   16. Обучение с подкреплением. Q-Learning
   17. Обучение с подкреплением. Deep Q-Learning
   18. Ускорение и оптимизация нейронных сетей
   19. Внедрение DL моделей в production
   20. Введение в рекомендательные системы и задачи ранжирования
   21. Современные подходы к построению рекомендательных систем
7. Универсальные знания программиста
   1. Как стать первоклассным программистом
   2. Вёрстка email-рассылок. Советы на реальных примерах
   3. The state of soft skills
   4. Как мы создавали карту развития для разработчиков
   5. Как общаться по email и эффективно работать с почтой
   6. Повышение своей эффективности
   7. Спор о первом языке программирования
   8. Саморазвитие: как я не усидел на двух стульях и нашёл третий
   9. Data-driven подход к продуктивности — инсайты из данных миллиона людей
   10. Протокол HTTP
   11. Введение в алгоритмы
8. Английский для IT-специалистов
   1. IT Resume and CV
   2. Job interview: questions and answers
   3. Teamwork
   4. Workplace communication
   5. Business letter
   6. Software development
   7. System concept development and SRS
   8. Design
   9. Development and Testing
   10. Deployment and Maintenance

Ваше резюме после обучения

• Должность Специалист по машинному обучению
• Зарплата от:100 000 ₽

Профессиональные навыки:

• Владение Python для машинного обучения
• Применение алгоритмов машинного обучения
• Работа с различными источниками данных: CSV, XML и XLS
• Написание рекомендательных систем
• Работа с базами данных MongoDB, PostgreSQL, SQLite3 и SQL
• Работа с нейронными сетями
• Работа с библиотеками pandas, numpy, matplotlib

Диплом Skillbox

Подтвердит, что вы прошли курс, и станет дополнительным аргументом при устройстве на работу.

• Три специализации на выбор
• Проекты на основе реальных задач
• Трудоустройство во время учёбы
• Преподаватели эксперты из сферы Data Science.

Специалисты по Data Science работают с Big Data, выдвигают гипотезы и проверяют их, помогают бизнесу принимать решения на основе анализа данных.

Они создают модели машинного обучения, тренируют нейросети для работы с текстом, видео или изображениями, строят поисковые и рекомендательные системы, разворачивают и поддерживают инфраструктуру для автоматизации работы с данными.

Кому подойдёт этот курс:

• Новичкам
  С нуля освоите Python, SQL, научитесь собирать и анализировать данные, получите необходимый теоретический минимум по математике, теории вероятности и статистике. Знания закрепите на практике — решите задачи на основе реальных кейсов и добавите проекты в портфолио. Устроитесь на стажировку по выбранной специальности уже во время обучения.
• Программистам
  Подтянете математику, статистику, аналитическое и алгоритмическое мышление, научитесь выявлять потребности бизнеса. Получите опыт работы с моделями машинного обучения, будете применять Python для решения задач с данными. Пройдёте процесс от сбора данных до деплоя модели.
• Начинающим аналитикам
  Вы научитесь выдвигать гипотезы и делать выводы на основе данных. Сможете писать эффективный код на Python, превращать сырые данные в полезную информацию для компании, понимать математику на основе статистики, обучать машины и прогнозировать результаты. Отшлифуете знания, увеличите скорость своей работы и добьётесь повышения.

Кем вы станете после курса?

Вариант 1. Специалист по Machine Learning
Будете анализировать большие объёмы информации, создавать модели для прогнозирования в бизнесе, медицине, промышленности. Обучать нейросети, создавать аналитические системы и рекомендательные сервисы на основе алгоритмов машинного обучения. Продолжите профессиональное развитие в сфере обработки естественного языка или Computer Vision.

Вариант 2. Дата-инженер
Будете разворачивать программную инфраструктуру для организации сбора, обработки и хранения данных. Вам предстоит решать сложные, но интересные задачи: создавать отказоустойчивые системы для работы с Big Data, писать эффективный код на Python и SQL-запросы, автоматизировать рутину, «общаться» с базами данных, работать с облачными платформами.

Вариант 3. Аналитик данных
Будете помогать бизнесу принимать верные решения на основе данных. Собирать информацию и анализировать её, находить аномалии в метриках. На основе исследований будете выявлять закономерности, строить гипотезы и проверять их жизнеспособность с помощью моделирования. Научитесь визуализировать результаты работы в виде графиков и диаграмм.

Программа

Вас ждут 15 курсов с различным уровнем сложности, онлайн-лекции и практика.
3 специализации, 3 бонусных курса

Первая ступень

1. Введение в Data Science

• Познакомитесь с основными направлениями Data Science, узнаете, какие задачи решают дата-аналитики, дата-инженеры и специалисты по машинному обучению.
• Пройдёте все этапы работы с данными. Научитесь выявлять проблемы, собирать бизнес-требования. Будете выгружать данные из различных источников, проводить разведочный анализ и готовить датасет к дальнейшему использованию. Обучите и внедрите готовую ML-модель, попробуете себя в роли продуктового и маркетингового аналитика. Узнаете, как формулировать и проверять гипотезы. Освоите базовые инструменты для работы: Python, SQL, Excel, Power Bi, Airflow.

2. Основы статистики и теории вероятностей

• Поймёте принципы работы со случайными величинами и событиями. Познакомитесь с некоторыми видами распределений и статистическими тестами, которые пригодятся при составлении моделей и проверке гипотез.

3. Основы математики для Data Science

• Получите базовые знания по математике для работы с машинным обучением. Поймёте, что такое аппроксимация, интерполяция, функции, регрессии, матрицы и вектора. Научитесь работать с математическими сущностями в Python-библиотеке SymPy.

Специализации на выбор

4. Machine Learning

• Machine Learning. Junior. Познакомитесь с алгоритмами машинного обучения для решения задач регрессии, классификации и кластеризации. Построите и обучите свою первую нейронную сеть. Научитесь подбирать параметры модели, оценивать качество и улучшать её, а также выводить результат в Production.
• Machine Learning. Advanced. Освоите алгоритмы для построения рекомендательных систем и прогнозирования временных рядов. Научитесь применять ансамблевые методы, стекинг, бустинг, а также лучшие практики кросс-валидации, мониторинга и пайплайна ML-разработки.
• Deep Learning. Научитесь работать с нейросетями: подробно узнаете, как они устроены, будете обучать модели, строить и тестировать архитектуры, передавать данные в нейросеть и настраивать параметры.
• Трек 1. NLP. Научитесь применять алгоритмы машинного обучения и нейронные сети для обработки естественного языка. Узнаете, как анализировать тональность текстов, классифицировать их, распознавать речь.
• Трек 2. Computer Vision. С помощью алгоритмов машинного обучения и нейросетей будете распознавать объекты, лица и эмоции, классифицировать и сегментировать изображения. Научитесь применять и адаптировать готовые модели CV для своих целей.

5. Data Engineer

• Data Engineer. Junior. Будете собирать сложные наборы данных, подготавливать витрины данных, разворачивать DS-проекты с нуля, тестировать код, выстраивать пайплайны для работы с данными и работать в команде.
• Data Engineer. Advanced. Научитесь пользоваться типовыми средствами мониторинга, настраивать алерты. Будете выбирать архитектуру для хранения данных и работать со сложными типами архитектуры хранилищ. Выстраивать инфраструктуру и пайплайны для обучения ML-моделей.

6. Data Analyst

• Data Analyst. Junior. Познакомитесь с базовыми методами анализа на примере анализа продаж. Пройдёте основы маркетинговой, BI и продуктовой аналитики. Прокачаете навыки работы в Excel, Python и Power BI. Будете уметь формулировать и тестировать гипотезы и презентовать результаты заказчику.
• Трек 1. Product Analytics. Будете обрабатывать данные, исследовать взаимодействие пользователей с продуктом, интерпретировать собранную информацию. Полученные результаты помогут решить задачи бизнеса.
• Трек 2. Marketing Analytics. Узнаете, как настраивать веб- и сквозную аналитику, создавать воронки продаж, анализировать поведение пользователей на сайте.
• Трек 3. BI Analytics. Научитесь создавать хранилища данных, проектировать базы данных на языке SQL и работать с таблицами на продвинутом уровне. Будете решать бизнес-задачи с помощью аналитики, чистить данные, правильно их хранить и визуализировать.

Дипломные проекты

7. Machine Learning

• Соревнование в Kaggle.
• Командная работа в проекте.

8. Data Engineer

• Индивидуальный проект.
• Хакатон.

9. Data Analyst

• Командный проект.
• Индивидуальное исследование.

Бонусные курсы

10. Карьера разработчика: трудоустройство и развитие
    Узнаете, как выбрать подходящую вакансию, подготовиться к собеседованию и вести переговоры с работодателем. Сможете быстрее получить должность, которая соответствует вашим ожиданиям и умениям.
11. Система контроля версий Git
    Научитесь версионировать изменения в коде, создавать и управлять репозиториями, ветками, разрешать конфликты версий. Узнаете полезные правила работы с Git.
12. Английский для IT-специалистов
    Получите языковые навыки, которые помогут пройти собеседование в иностранную компанию и комфортно общаться в смешанных командах.

После учебы вы сможете работать по специальностям

• Data Scientist
• Data Analyst
• Machine Learning Engineer
• Computer Vision-специалист
• NLP-специалист.

У курса два формата обучения:

• живые вебинары;
• видеолекции в записи.

Программа обучения

Подготовительные курсы

Их необязательно проходить, но они помогут лучше погрузиться в обучение.

• Видеокурс: как учиться эффективно
• Основы математики
• Основы программирования
• Основы языка Python
• Базовый курс

I четверть. Программирование
Научитесь работать в Linux и создавать сервера в облачных сервисах AWS, проводить поиск информации и основные операции с файлами, выполнять мониторинг работы сервера. Научитесь использовать язык запросов SQL, создавать и оптимизировать сложные запросы. Освоите библиотеки языка Python, предназначенные для Data Science: Numpy, Pandas, Matplotlib, SciKit-Learn.

• Встреча декана со студентами
• Основы языка Python
• Рабочая станция
• Основы реляционных баз данных и MySQL
• Библиотеки Python для Data Science: Numpy, Matplotlib, Scikit-learn

II четверть. Сбор данных и статистическое исследование
Познакомитесь с теорией вероятностей и математической статистикой. Изучите методы проведения корреляционного, дисперсионного и регрессионного анализа. Научитесь работать с RESTful/SOAP-сервисами, форматами XML и JSON в Python, а также познакомитесь с особенностями открытых данных (OpenData).

• Библиотеки Python для Data Science: продолжение
• Методы сбора и обработки данных из сети Интернет
• Введение в математический анализ
• Теория вероятностей и математической статистике

III четверть. Математика для Data Scientist
Рассмотрите математические аспекты алгоритмов, применяемых в Data Science: линейная и логистическая регрессия, градиентный спуск, метод ближайших соседей, кластеризация, деревья решений, случайный лес, градиентный бустинг. Поймете, как устроены алгоритмы на уровне математики.

• Линейная алгебра
• Алгоритмы анализа данных

IV четверть. Машинное обучение
Освоите Python: от основ программирования до автоматизации, сбора, обработки, анализа и визуализации данных.

• Машинное обучение в бизнесе
• Рекомендательные системы
• Видеокурс от Мегафон + курсовой проект

V четверть. Нейронные сети
Научитесь решать задачи Machne Learning с данными из соцсетей, геоданными, применением графов, а также познакомитесь с нейронными сетями. На практике познакомитесь с фреймворками для разработки нейронных сетей: Tensorflow, Keras, PyTorch.

• Введение в нейронные сети
• Фреймворк PyTorch для разработки искусственных нейронных сетей.

VI четверть. Задачи искусственного интеллекта
Изучите продвинутые архитектуры сверточных нейронных сетей, обработку естественного языка и компьютерное зрение.

• Введение в обработку естественного языка
• Глубокое обучение в компьютерном зрении

II четверть. Специализация
Изучите фреймворк PyTorch и углубитесь в работу с компьютерным зрением и обработкой естественного языка.

• Введение в компьютерное зрение от Nvidia
• Фреймворк PyTorch для разработки искусственных нейронных сетей
• Введение в обработку естественного языка

Курсы вне четверти

Предметы с индивидуальным выбором даты старта

1. Подготовка к поиску работы
2. История развития искусственного интеллекта
3. Алгоритмы и структуры данных на Python
4. Введение в высшую математику
5. Спортивный анализ данных. Платформа Kaggle
6. Язык R для анализа данных
7. Визуализация данных в Tableau
8. Сверточные нейронные сети в компьютерном зрении.

Вы получите диплом о профессиональной переподготовке
Для работодателя это показатель, что вы разобрались в Data Science и самостоятельно выполнили проекты из вашего портфолио.

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.

Обучение на курсе поможет вам:

• Перейти в профессию с высоким окладом, которая не устареет через 10 лет
  Положите начало своему развитию в востребованной во всех отраслях бизнеса профессии
• Освоить ключевые технологии и опередить запрос рынка
  Станете востребованным специалистом уже в процессе обучения и не растеряете накопленные знания и навыки
• Прожить опыт 2-3 лет самостоятельного изучения сферы Data Science
  Получите знания в концентрированном формате и с обратной связью от экспертов-практиков ведущих компаний.

Чему вы научитесь:

1. 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
2. Использовать Python и библиотеки
   Автоматизировать работу с большими массивами, получать данные из внешних источников, обосновывать выводы, полученные при анализе данных
3. Проверять данные и определять проблемы
   Обрабатывать текстовые данные, чтобы передавать их в алгоритмы машинного обучения, генерировать новые значимые признаки
4. Обучать многослойные нейронные сети и строить модели машинного обучения
   Быстро строить модели и проверять гипотезы, строить рекомендательную систему и нейронную сеть, выявлять скрытые аномалии в данных
5. Применять математику в алгоритмах
   Освоите необходимый математический аппарат для продуктивной работы с моделями данных, машинным обучением и нейронными сетями
6. Лидировать Data-проекты, работать в команде и находить общий язык с заказчиком
   Структурировать результаты, формулировать гипотезы, выявлять потребности, находить области применения машинного обучения.

Программа курса:

1 ступень. Погружение
В первом модуле вы разберётесь, что такое аналитическое мышление, и узнаете, откуда берутся данные. Научитесь определять ключевые продуктовые метрики и создавать дашборды.

• Аналитическое мышление
  Научитесь думать, как аналитик и формулировать гипотезы для проверки. Поймёте, что аналитика строится вокруг данных. Познакомитесь с базовым инструментом аналитика и сможете проводить в нём простой анализ данных.
• Основы визуализации данных
  Поймёте, как создавать наглядные интерактивные дашборды для анализа бизнес-метрик в онлайн-режиме. Научитесь определять ключевые продуктовые метрики и создавать дашборды.

2 ступень. SQL, Python и Big Data
Вы получите ключевые навыки специалиста в Data Science для старта в профессии и сможете искать стажировку в новой сфере уже после прохождения первой ступени.

• SQL и получение данных
  В идеальном мире data scientist получает готовые данные, чтобы строить модели, но мир неидеален. Вы научитесь с помощью SQL получать данные из БД, фильтровать, агрегировать, а также импортировать и экспортировать.
• Аналитика больших данных
  Узнаете, как собрать и управлять командой Big Data-проекта. Освоите подход CRISP-DM, определите компетенции и состав команды. Определите, сколько данных вам нужно для нахождения инсайтов. Найдёте задачи под Big Data в своей компании. Поймёте, как и по каким правилам хранить данные. Сможете обосновывать влияние на сбор данных, мониторинг и отчётность.
• Python для анализа данных
  Вы научитесь пользоваться базовыми инструментами и подходами в Python, чтобы начать работать с данными. Повторите основы линейной алгебры, теории множеств, методов математической оптимизации, описательной статистики, статистического анализа данных, а также научитесь реализовывать это на языке Python.
• Математика для анализа данных
  Изучите основные операции с векторами, матричными операциями. Рассмотрите генетические алгоритмы, алгоритм дифференциальной эволюции. Узнаете, что такое математическое ожидание, дисперсия и моменты старших порядков. Изучите закон больших чисел.

3 ступень. Машинное обучение, Deep Learning и нейронные сети
Получите расширенные знания в профессии и научитесь работать с нейронным сетями, обучать модели и реализовывать NLP. Начнёте повышать свою квалификацию. После окончания этой ступени сможете претендовать на позицию Junior Data Scientist и совмещать учёбу с работой.

• Машинное обучение
  Научитесь проверять данные на полноту, целостность, валидность, наличие шумов, ошибок и пропусков. Узнаете, как очищать данные с помощью NumPy и pandas, как сокращать размерности данных алгоритмами PCA, LDA, NMF. Научитесь строить деревья решений и модели логистической, линейной и полиномиальной регрессии. Узнаете, как использовать Random Forest в задачах классификации.
• Рекомендательные системы
  В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
• Временные ряды
  Вы изучите элементарные алгоритмы обработки временных рядов, модели ARIMA и GARCH, прогнозирование значений на их основе. Узнаете, что такое марковские случайные процессы и марковские модели для временных рядов.
• Нейронные сети
  Научитесь строить простые полносвязанные сети уровня LeNet и AlexNet и экспериментировать с их обучением. Получите теоретическую и практическую базу для использования НС в блоках CV и NLP.
• Компьютерное зрение
  Вы освоите основные техники машинного зрения — извлечение признаков, поиск по картинкам, сегментирование, детекция объектов.
• Обработка естественного языка
  Вы освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск, научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты.
• Deep Learning
  Научитесь работать с многомерными свёртками, овладеете конкурентным преимуществом в задачах с использованием Beam-Search и Teacher Forcing, сможете реализовывать NLP с нуля. Сможете отличать дескриминатор от генератора и обучать генератор выбирать данные из линейной регрессии. Реализуете сеть генерации покемонов и обучите её.

4 ступень. Soft Skills и управление проектами
Сочетание хард- и софт-скиллов поможет вам быстрее расти по карьерной лестнице и добиваться больших результатов. Пройдя все ступени программы, вы сможете претендовать на должность Middle Data Scientist.

• Менеджмент data-проектов
  Овладеете методологиями управления Data Science-проектами. Научитесь формулировать идеи и гипотезы, выбирать подходящие методы и алгоритмы, планировать решение задачи.
• Эффективные коммуникации и эмоциональный интеллект
  Научитесь понимать картину мира окружающих и на основе этого строить коммуникацию. Разберётесь, как управлять своими эмоциями, как реагировать на эмоции окружающих в процессе общения и развивать эмоциональный интеллект. Узнаете, как управлять эмоциями в переговорах. Научитесь заводить полезные связи и деловые знакомства и правильно презентовать себя.
• Переговоры
  Научитесь грамотно организовывать деловые встречи и эффективно проводить переговоры, добиваясь взаимовыгодных договорённостей.
• Публичные выступления
  Узнаете, как презентовать идею или отчёт. Научитесь получать удовольствие от выступлений и перестанете их бояться.
• Финальный хакатон и Kaggle Competitions
  В составе мини-команды за ограниченное время и на основе датасетов крупных игроков рынка вам придётся решать задачи по прогнозированию продаж или оптимизации производства, задействуя все знания и навыки, полученные на курсе.
  Интеграция и использование machine learning решений в бизнесе, как правило, подразумевает командную игру, поэтому хакатон полезен ещё и как тренировка необходимых soft skills.

В рамках дипломного проекта вы сможете построить ML-модель для решения своих текущих профессиональных задач: это может быть система прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста и т. д.

Вашу квалификацию подтвердит диплом о профессиональной переподготовке.

Курсы по Data Science:

• «Data Scientist»
  Освойте самую востребованную профессию 2021 года. Начните свой путь в Data Science уже сейчас.
• «Data Science»
  Погрузитесь в Data Science — научитесь выявлять закономерности в данных и создавать модели для решения бизнес-задач в технологических компаниях
• «Математика для Data Science»
  Прокачайтесь в математике и статистике для Data Science — уверенно решайте нетиповые задачи и успешно проходите собеседования в IT-компании
• «Data Engineering»
  Освойте Data Engineering — научитесь собирать данные из разных источников, помогайте аналитикам строить гипотезы и принимать бизнес-решения
• «Нейронные сети»
  Освойте машинное обучение и программирование нейронных сетей — используйте силу Deep Learning для решения бизнес-задач
• «Машинное обучение и нейронные сети»
  Используйте возможности алгоритмов в нужной вам сфере — продажах, медицине, банковских услугах или на производстве.

Курсы:

1. Spark Developer
2. NoSQL
3. DataOps Engineer
4. Специализация «Системный аналитик»
5. Математика для Data Science
6. Machine Learning. Basic
7. Специализация Machine Learning
8. Data Engineer
9. Machine Learning. Professional
10. Machine Learning. Advanced
11. Data Warehouse Analyst
12. Промышленный ML на больших данных
13. Компьютерное зрение
14. Супер-практикум по использованию и настройке GIT
15. Deep Learning
16. Супер-интенсив «Tarantool»
17. Анализ данных и машинное обучение в MATLAB.

«Специалист по Data Science» — это программа по анализу данных и машинному обучению, которая охватывает все разделы современного анализа данных, в том числе глубинное обучение и его применения.

Программа начинается с самых основ — изучения программирования и базовых разделов математики — и переходит к разделам по машинному обучению, прикладной статистике и обработке данных, работе с большими данными, глубинному обучению, его применениям к изображениям, текстам и сигналам. При разработке программы мы сделали акцент на практическую работу.

По итогам программы вы получите самые актуальные знания в одной из самых востребованных областей 21 века, проекты в портфолио и диплом о профессиональной переподготовке установленного НИУ ВШЭ образца.

Программа:

1. Python для автоматизации и анализа данных
   18 занятий
2. Математика для анализа данных
   19 занятий
3. Прикладная статистика для машинного обучения
   9 занятий
4. Алгоритмы и структуры данных
   10 занятий
5. Машинное обучение
   14 занятий
6. Промышленное машинное обучение на Spark
   8 занятий
7. Глубинное обучение
   10 занятий
8. Прикладные задачи анализа данных
   10 занятий.

Data Science – это наука о данных, которая занимается сбором, представлением, обработкой и анализом данных в цифровой форме, а главное – помогает выделять из общего массива данных полезную информацию. Она связана с такими направлениями как Big Data, машинное обучение и анализ данных и еще целым рядом современных ИТ-направлений.

Специалисту, который занимается такой работой (Data Scientist), нужны знания и навыки сразу в нескольких областях:

• математика и статистика,
• программирование,
• машинное обучение,
• работа с базами данных,
• визуализация данных.

Чем занимается специалист Data Science?

Задачи специалиста по данным:

• находит скрытые закономерности и связи во время изучения данных;
• анализирует данные по необходимому критерию, который покажет эффективность создаваемой модели;
• визуализирует данные;
• программирует и тренирует модель машинного обучения;
• оценивает с коллегами модель с точки зрения экономики;
• выявляет богатые источники данных, присоединяется к ним с другими потенциально неполными источниками данных и очищает полученный набор;
• анализирует риски;
• анализирует внутренние процессы;
• занимается внедрением моделей в существующие инфраструктуры;
• дорабатывает модель и следит за процессами;
• предлагает новые направления для развития бизнеса клиента;
• занимается разработкой отчетов и прогнозированием;
• консультирует руководителей и менеджера по продукту, основываясь на полученных данных.

Soft skills для Data Scientist

1. Ассоциативное мышление.
2. Способность излагать свои мысли так, чтобы их понял другой человек.
3. Любопытство для погружения в проблему и дальнейшей работы с гипотезами.
4. Умение находить эффективные решения проблем.
5. Внимательность.
6. Умение работать в команде и находить подход к каждому.
7. Умение задавать хорошие вопросы.
8. Дотошность.
9. Умение визуализировать данные.

После курса вы сможете:

1. работать с разными типами и структурами данных
2. использовать библиотеки NumPy, Pandas, Matplotlib, Seaborn, Plotly, Sweetviz, Pandas Profiling, SciPy, Scikit-learn, CatBoost и XGBoost
3. строить продвинутые и интерактивные визуализации
4. проводить Exploratory Data Analysis и находить взаимосвязи в данных
5. заполнять пробелы в данных
6. валидировать гипотезы и анализировать результаты А/В-тестирования
7. решать задачи прогнозирования и классификации
8. строить простые ML-модели
9. начать путь в Data Science.

Программа курса

1. Введение в Data Science. Знакомство с задачами и инструментами
   Разберитесь, какие задачи входят в область Data Science. Освойте инструменты для интерактивной работы с Python [IPython, Jupyter Notebook и Google Collaboratory]. Ознакомьтесь с библиотекой NumPy и разберитесь в ее преимуществах перед обычными списками. Научитесь создавать массивы и выполнять базовые операции над ними в NumPy.
2. Линейная алгебра и статистика
   Возобновите знания по линейной алгебре и статистике. Научитесь вызывать векторное умножение, поэлементное сложение OR вычитание и другие функции в NumPy. Научитесь вводить и выводить матрицы и массивы разной величины, находить std и mean, выводить гистограмму одномерного массива.
3. Работа с табличными данными
   Узнайте, какие задачи Data Science помогает решить библиотека Pandas. Научитесь создавать, импортировать и экспортировать табличные данные в Pandas Dataframe, манипулировать данными, обновлять их значения по индексу. Узнайте, что делать, чтобы не перегружать оперативку.
4. Matplotlib и Seaborn. Визуализация данных
   Разберите базовые типы визуализации [line chart, scatter plot, bar plot, histogram]. Постройте базовые визуализации с помощью Python в Matplotlib и Seaborn. Узнайте о трех способах визуализации данных из Pandas в Dataframe.
5. Продвинутые и интерактивные визуализации
   Разберитесь в типах продвинутых визуализаций [heatmap, box plot, pair plot, cumulative plot]. Постройте базовую интерактивную визуализацию в Plotly. Научитесь быстро и удобно анализировать отсутствующие значения в наборе данных с помощью визуализации.
6. Exploratory Data Analysis и очистка данных
   Научитесь быстро понимать структуру набора данных любого размера и решать проблему наличия выбросов и дубликатов в наборе данных. Проведите Exploratory Data Analysis (EDA) с помощью Pandas, а затем ― с помощью библиотек Sweetviz и Pandas Profiling.
7. Поиск и устранение отсутствующих значений
   Научитесь выявлять отсутствующие значения в наборе данных, отделять случайно отсутствующие значения от значений, отсутствующих ввиду системной ошибки. Обучитесь нескольким техникам заполнения отсутствующих значений.
8. Статистический анализ данных
   Ознакомьтесь с библиотекой SciPy. Научитесь генерировать случайные величины разных вероятностных распределений, проводить тесты нормальности и сравнивать распределения двух случайных величин. Изучите основы проверки статистических гипотез. Проведите статистический тест в SciPy и проанализируйте результаты А/В-тестирования.
9. Задача прогнозирования. Линейная регрессия
   Подготовьте данные для задачи линейной регрессии. Ознакомьтесь с моделью многомерной линейной регрессии и библиотекой Scikit-learn. Постройте многомерную линейную регрессию с помощью NumPy и с помощью Scikit-learn. Научитесь оценивать качества линейной регрессии с помощью метрик MSE, RMSE, MAE.
10. Задача прогнозирования. Другие виды регрессий
    Ознакомьтесь с моделями полиномиальной регрессии, гребневой регрессии, регрессии по методу LASSO и регрессии «эластичная сеть». Научитесь улучшать качество линейной регрессии с помощью регуляризации. Узнайте, что делать в случае высокого bias OR высокого variance модели.
11. Задача классификации. Логистическая регрессия
    Ознакомьтесь с задачей бинарной классификации и моделью логистической регрессии. Обучите модель логистической регрессии для классификации данных и оцените ее качество. Научитесь оценивать качество модели мультиклассовой классификации.
12. Деревья принятия решений
    Изучите принцип работы модели «Деревья принятия решений». Определите отличия этой модели от остальных. Обучите модель «Деревья принятия решений» для решения задач регрессии и классификации.
13. Ансамбли моделей
    Изучите базовые техники построения ансамблей. Научитесь строить и обучать разные типы ансамблей моделей. Определите, какой способ ансамблирования необходимо использовать в случае high bias, а какой ― в случае high variance.
14. Библиотеки CatBoost и XGBoost
    Ознакомьтесь с библиотеками CatBoost и XGBoost. Узнайте, какие задачи они решают и чем отличаются друг от друга. Научитесь улучшать XGBoost-модель за счет оптимальных гиперпараметров модели.
15. Кластерный анализ данных
    Узнайте, как обучить модель без учителя с помощью кластеризации. Изучите теорию и разберите на примерах, как работают методы кластеризации в моделях K-Means, DBSCAN и Agglomerative Clustering. Найдите группы похожих экземпляров в массиве данных с помощью кластеризации.
16. Отбор признаков и уменьшение соразмерности данных
    Изучите простые способы выбора признаков. Выберите признаки так, чтобы оставить только самые значимые для модели. Научитесь применять методы уменьшения соразмерности данных для ML-модели [Singular Value Decomposition, Principal Component Analysis, Linear Discriminant Analysis].