Полный курс по Data Science

Кому подходит специализация

• Новички — если вы только начинаете свой путь и хотите освоить профессию Data Scientist с базовым уровнем знаний, ограниченным школьной программой. В процессе обучения вы получите необходимую математическую подготовку и навыки программирования на Python, чтобы уверенно решать задачи машинного обучения.
• Программисты — за год вы дополните свое портфолио такими проектами, как рекомендательные системы и нейронные сети, поучаствуете в конкурсах на Kaggle и хакатонах. Благодаря опыту в программировании вы быстро адаптируетесь к обучению и освоите уровень Junior Data Scientist.
• Аналитики — уже работая с данными и SQL, вы расширите набор инструментов, познакомитесь с облачными хранилищами, освоите Hadoop и Spark, а также сможете сменить профессиональное направление. Программа поможет углубиться в Big Data и уверенно двигаться в направлении Data Science.

Что вы изучите

• Основы машинного обучения
• Язык программирования Python
• Работа с SQL
• Инженерия данных (Data Engineering)
• Математические основы ML
• Применение ML в бизнесе
• Глубокое обучение (Deep Learning)

Краткая программа курса

Введение в профессию

• Знакомство с онлайн-форматом обучения
• Обзор специальности Data Scientist

Основы программирования на Python

• Первичные концепции программирования на Python
• Типы данных и их особенности
• Условные конструкции
• Циклы
• Функции: от базового использования до продвинутых техник
• Стандарты оформления кода

Python для работы с данными

• Инструменты для Data Science
• Анализ и обработка данных с помощью NumPy и Pandas
• Визуализация с Matplotlib, Seaborn и Plotly
• Очистка данных и создание признаков (Feature Engineering)
• Объектно-ориентированное программирование и отладка кода
• Проект: анализ резюме с платформы HeadHunter

Загрузка и обработка данных

• Импорт данных из различных источников с помощью Python
• Парсинг HTML и API
• Основы SQL для работы с базами данных
• Извлечение данных из БД с использованием Python и SQL
• Проект: анализ вакансий из базы HeadHunter

Разведочный анализ данных

• Введение в разведочный анализ на Python
• Основы статистики и проверка гипотез
• Методики A/B-тестирования
• Формирование признаков и управление экспериментами
• Знакомство с платформой Kaggle
• Проект: выявление накрутки рейтингов отелей (соревнование на Kaggle)

Основы машинного обучения

• Теоретические основы ML
• Обучение с учителем: классификация и регрессия
• Обучение без учителя: кластеризация и снижение размерности
• Валидация и оценка моделей
• Отбор признаков и оптимизация гиперпараметров
• Продвинутые техники ML
• Проект: улучшение маркетинговой кампании банка

Математика для машинного обучения, часть I

• Линейная алгебра для линейных моделей
• Оптимизация и математический анализ
• Проект: прогнозирование времени поездки в такси

Математика для машинного обучения, часть II

• Теория вероятностей для ML
• Математические основы деревьев решений и ансамблей
• Математика для обучения без учителя
• Проект: сегментация клиентов онлайн-магазина подарков

Применение ML в бизнесе

• Прогнозирование временных рядов
• Разработка рекомендательных систем
• Подготовка и развёртывание моделей в продуктив
• Оценка бизнес-эффективности моделей
• Контейнеризация и воспроизводимость решений
• Архитектура сервисов и оркестрация

Выпускной проект

В финале обучения предстоит выполнить самостоятельный дипломный проект по выбранной тематике, демонстрирующий приобретённые знания и навыки. Для защиты необходимо подготовить презентацию и представить результаты экспертной комиссии, которая проведёт обзор кода и даст ценные рекомендации.

Введение в Deep Learning (дополнительный раздел)

• Основы нейронных сетей
• Фреймворки глубокого обучения
• Математика для нейронных сетей
• Сверточные нейронные сети и компьютерное зрение
• Fine-tuning и Transfer Learning
• Рекуррентные нейронные сети и обработка текста (NLP)
• Современные хранилища данных и экосистема Hadoop