Старт: 27 марта
Длительность: 8 месяцев
Уровень: С нуля
Курс Data Science для начинающих
Реальные задачи и проекты, разбор алгоритмов и методов машинного обучения, пробное собеседование
количество мест ограничено, старт 4-го потока: 27 марта
Записаться
Анастасия Никулина
Science
Data
О курсе
С каждым годом растет число вакансий по машинному обучению, курсов, которые помогают вам приобрести знания в данной сфере, но и параллельно растет конкуренция. Чтобы оставаться конкурентным, повысить свои шансы на получение работы в Data Science, вы должны знать, что сейчас актуально, какие требования у компаний к специалистам
Данный курс поможет вам обрести базис, понимание, как работают алгоритмы, что находится у них «под капотом», в каких случаях применять тот или иной метод, также он поможет вам применять полученные знания для собственного проекта, если вы хотите использовать машинное обучение, оставаясь на текущем месте работы
Для кого
Подойдет для начинающих: если вы хотите освоить машинное обучение, не важно, в какой сфере вы до этого работали. Необходимы базовые знания математического анализа: производные и интегралы
Что получаете
Знания, как работают алгоритмы машинного обучения
Практика на реальных данных
Собственный pet-project
Трудоустройство
Помогаем грамотно составить резюме. Проведем тестовое собеседование. Рекомендуем выпускников компаниям-партнерам
Cпециалисты в своем деле
Преподаватели

Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а также сделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Анастасия Никулина
1/5
Cпециалисты в своем деле
Преподаватели

Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а также сделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Евгений Разинков
2/5
Cпециалисты в своем деле
Преподаватели

Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а также сделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Юлия Морозова
3/5
Cпециалисты в своем деле
Преподаватели

Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а также сделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Айдар Валеев
4/5
Cпециалисты в своем деле
Преподаватели

Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а также сделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Антон Вахрушев
5/5
Не просто программа
Качественные знания и реальные задачи
Курс поможет в приобретении сильной и качественной базы в области машинного обучения. На курсе вы будете решать практические задачи на реальных данных. Также разберемся, какие результаты для компании дают ML модели, как проводится A/B тестирование, и познакомим вас с NLP и Deep learning
Не просто программа
Качественные знания и реальные задачи
Курс поможет в приобретении сильной и качественной базы в области машинного обучения. На курсе вы будете решать практические задачи на реальных данных. Также разберемся, какие результаты для компании дают ML модели, как проводится A/B тестирование, и познакомим вас с NLP и Deep learning
Не просто программа
Качественные знания и реальные задачи
Курс поможет в приобретении сильной и качественной базы в области машинного обучения. На курсе вы будете решать практические задачи на реальных данных. Также разберемся, какие результаты для компании дают ML модели, как проводится A/B тестирование, и познакомим вас с NLP и Deep learning
Не просто программа
Качественные знания и реальные задачи
Курс поможет в приобретении сильной и качественной базы в области машинного обучения. На курсе вы будете решать практические задачи на реальных данных. Также разберемся, какие результаты для компании дают ML модели, как проводится A/B тестирование, и познакомим вас с NLP и Deep learning
Что вы изучите на курсе
Программа
Основы Python
Методы оптимизации
Ансамблирование/стекинг
SQL
Машинное обучение. Введение
Кластерный анализ
Математический анализ
Линейные алгоритмы
NLP
Линейная алгебра
Способы борьбы с переобучением
Deep Learning
Статистика
Деревья
Kaggle
А/Б тестирование
Метрические алгоритмы
Введение ML в production
Теория вероятностей
Байесовские модели
Трудоустройство
  • Метод k-ближайших соседей
  • Метрики
  • Написание переиспользуемого кода
  • Форматирование, оптимизация и улучшение кода
  • REST API
  • Фреймворки FastAPI и Streamlit
  • Что такое Docker? Основные компоненты
  • Docker Compose
  • Развертывание ML проекта в Docker
  • Векторы и операции над ними
  • Матрицы и операции над ними
  • Системы линейных уравнений (СЛАУ)
  • Методы решения систем линейных алгебраических уравнений
  • Матричные разложения
  • Сингулярное разложение матриц SVD
  • Регуляризация
  • Оценка работы алгоритма
  • Отложенная выборка
  • Кросс-валидация
  • Кросс-валидация со стратифицированной выборкой
  • Блендинг
  • Стэкинг
  • Графики функций
  • Предел и производная
  • Задача нахождения экстремума
  • Интеграл
  • Градиент
  • Основы синтаксиса
  • Соединение таблиц
  • Оконные функции
  • Ранжирующие функции
  • Функции смещения
  • Что такое Python?
  • Основные структуры данных и типы переменных
  • Anaconda & Jupyter Notebook
  • Условия
  • Циклы
  • Функциональное программирование
  • Объектно-ориентированное программирование
  • Алгоритмы сортировки
  • Что такое Data Science и для чего он нужен?
  • Подробный процесс разработки моделей
  • Разведочный анализ данных (exploratory data analysis, EDA)
  • Визуализация: библиотеки и методы
  • Обучение с учителем
  • Обучение без учителя
  • Преобразования признаков
  • Методы масштабирования признаков
  • Кодирование категориальных признаков
  • Решающие деревья
  • Построение деревьев
  • Критерии информативности
  • Критерий информативности для регрессии
  • Критерий информативности для классификации
  • Энтропийный критерий информативности
  • Критерий останова
  • Стрижка деревьев
  • Композиции деревьев
  • Бутстрап
  • Бэггинг
  • Случайные леса
  • Определение бустинга
  • Градиентный бустинг
  • XGBoost
  • Метрики качества кластеризации
  • K-means
  • Графовые методы. Spectral Clustering
  • Иерархическая кластеризация
  • DBSCAN
  • Метод главных компонент PCA
  • Градиентный спуск
  • Стохастический градиентный спуск
  • Быстрое погружение в лингвистику
  • Превращение текста в вектор
  • Морфологический анализ
  • Сравнение текстов
  • Задачи NLP
  • Машинное обучение на текстах
  • Фичи на текстах
  • Задачи машинного обучения на текстах
  • Best practices
  • Альтернативные подходы к подготовке фичей на текстах
  • Задачи выделения фактов
  • В чем отличия от классического ML?
  • Почему это стало возможным?
  • Преимущества глубокого обучения
  • Сферы применения
  • Ключевые компоненты алгоритма глубокого обучения
  • Основные глубокие архитектуры
  • Подход к изучению: что должен знать специалист по DL?
  • Основные определения
  • Описательные статистики
  • Параметры, характеризующие разброс
  • Нормальное распределение
  • Центральная предельная теорема
  • Доверительные интервалы
  • Проверка гипотез. Меры различий
  • Параметрические критерии. Одновыборочный критерий t-Стьюдента
  • Параметрические критерии. Двухвыборочный критерий t-Стьюдента
  • Непараметрические критерии. Критерии Манна-Уитни
  • Корреляция
  • Корреляция Пирсона
  • Корреляция Спирмена
  • Введение
  • Основные статистические критерии
  • Мощность и корректность
  • Что нужно знать перед запуском теста?
  • Метод повышения чувствительности CUPED
  • Основные определения
  • Свойства вероятности
  • Условная вероятность
  • Формула полной вероятности и Теорема Байеса
  • Элементы комбинаторики
  • Линейная регрессия
  • Метод максимального правдоподобия
  • Метрики качества в задачах регрессии
  • Линейные алгоритмы. Классификация
  • Линейный классификатор
  • Ошибка в задачах классификации. Функция потерь
  • SVM. Нелинейные ядра
  • Спрямляющие пространства
  • Логистическая регрессия
  • Метрики качества в задачах классификации
  • Naive Bayes
  • Kaggle-соревнования - как участвовать в них эффективнее?
  • Ключевые моменты, на которые нужно обратить внимание на старте соревнования
  • Продумывание и подготовка скелета пайплайна решения
  • Наращиваем «мясо» на скелет - на что делать акцент, как искать инсайты?
  • Объединение в команду - баг или фича?
  • Дилемма выбора финальных решений
  • Составление резюме и сопроводительного письма
  • Залог успешной самопрезентации
  • Где искать вакансии и как выходить напрямую в компании
Помесячно
Оплата в течение 6 месяцев
В рассрочку
При оплате в рассрочку на 12 месяцев ваша оплата будет
Полная оплата
Скидка 25 500 грн. при полной оплате
Стоимость курса
21 900 грн.
купить
8 825 грн/мес.
купить
105 900 грн.
купить
ИП Никулина Анастасия Александровна ОГРНИП 321508100022634 ИНН 862204477980
Лицензия на образовательную деятельность № Л035-01255-50/00638643
© 2023. Все права защищены
+7 (915)167-08-32 team@pymagic.ru
Science
Data