Data scientist: тариф PRO

1. Введение в профессию

Как быстро погрузиться в материал, эффективно конспектировать и составлять план обучения.

2. Введение в большие данные

Связь больших данных и ИИ, устройство проектов, необходимые инструменты и навыки.

3. Основы программирования

Типы данных, выражения, ветвление, циклы, функции, рекурсивные и итеративные процессы.

4. Начало работы с Python

Установка Python, выбор редактора, работа с Git и GitHub.

5. Работа с Linux

ОС Linux, командная оболочка, скрипты Bash, работа с удаленными серверами и логами.

6. Типы данных в Python

Числа, булевы, строки, списки, кортежи, множества, словари.

7. Функции

Создание функций, аргументы, *args, **kwargs, глобальные и локальные переменные.

8. Условия, циклы и рекурсии

Условные операторы, циклы, рекурсия, оптимизация кода.

9. Модули и файлы

Импорт модулей, основные модули Python, работа с файлами.

10. Углублённое программирование

Лямбда-функции, comprehensions, итераторы, генераторы, обработка исключений, регулярные выражения.

11. Основы объектно-ориентированного программирования

Классы, объекты, инкапсуляция, наследование, полиморфизм.

12. Качественный код

Форматирование кода, управление зависимостями, дебаггинг, рефакторинг, оптимизация.

13. Теория вероятности и математическая статистика

Случайные события, вероятности, распределения, выборки, статистическое описание данных.

14. Аналитика данных для бизнеса

Алгоритм PDAR, процесс анализа данных, формулировка проблем.

15. Работа с базами данных

Подключение и проектирование БД, SQL-запросы, агрегирующие функции, подзапросы, оконные функции, работа с БД через Python.

16. Работа с данными

Структурирование и предобработка данных, оценка качества, парсинг веб-страниц, Pandas Profiling.

17. Разведочный анализ данных

Центральное положение, вариабельность, визуализация, корреляционный и дисперсионный анализ.

18. Математика для машинного обучения

Матрицы, векторы, производные, интегралы, регрессия.

19. Введение в машинное обучение

Устройство ML и нейросетей, метод главных компонент, выбор предикторов.

20. Линейная регрессия

Поиск зависимостей, решение задач линейной регрессии на Python, работа с Kaggle.

21. Классификация

Разделение данных на группы, оценка качества, k-ближайших соседей, логистическая регрессия, опорные векторы.

22. Байесовский классификатор

Устройство и применение байесовского классификатора.

23. Классификация. Деревья решений

Деревья решений, их использование и задачи классификации.

24. Классификация. Случайный лес

Случайный лес, его использование и задачи классификации.

25. Кластеризация

Поиск неизвестных групп, методы k-средних, DBSCAN, HDBSCAN.

26. Прогнозирование

Анализ временных рядов, тренд, сезонность, шум, библиотека ETNA, модели SARIMAX, TBATS, Prophet.

27. Конструирование признаков (Feature Engineering)

Извлечение признаков, улучшение качества предсказаний.

28. Как ИТ-команды работают над проектами

Agile, Scrum, SDLC, Waterfall, системы управления задачами (Trello, Asana, Jira).

29. Системы контейнеризации

Виртуализация, контейнеризация, упаковка приложения в контейнер.

30. Подготовка и ввод программного кода в промышленную эксплуатацию

DevOps, CI/CD, развертывание приложений, настройка конвейеров сборки.

31. Нейросети для работы

Использование нейросетей в Excel, Google Sheets, создание личного ИИ-помощника.

32. Трудоустройство и развитие в профессии

Составление резюме и портфолио, прохождение собеседований, начало карьеры.

Онлайн

• Александр Ермоленко
• Джамиль Закиров
• Эльвира Асташкина
• Александр Сенин
• Георгий Смирнов
• Наталия Титова
• Александра Корнеева
• Юлдуз Фаттахова
• Алексей Подкидышев
• Демид Гаибов
• Олег Сидоршин

• Сбор и анализ больших объемов данных
• Построение и обучение моделей машинного обучения (классификация, регрессия, кластеризация)
• Обработка данных (очистка, нормализация, трансформация)
• Работа с SQL и базами данных
• Визуализация данных (Matplotlib, Seaborn)
• Создание прогностических моделей
• Оптимизация бизнес-процессов
• Автоматизация анализа данных на Python
• Разработка прогнозов и аналитических моделей
• Применение гибких методологий (Agile, Scrum)
• Работа с нейросетями и ИИ-инструментами
• Инженерия признаков (Feature Engineering)
• Прогнозирование временных рядов
• DevOps и CI/CD
• Контейнеризация

• Начинающие специалисты, желающие войти в сферу Big Data и Data Science
• Люди, ищущие смену профессии на IT-специальность
• Те, кто хочет освоить нейросети для аналитики

Обучение с нуля, специальных требований не указано.