[Skillbox] Профессия Data Scientist: машинное обучение [Валентин Пановский, Михаил Овчинников, Алла Тамбовцева]

• Длительность13 месяцев
• Помощьв трудоустройстве
• 7 курсовв одной программе
• Доступ к курсунавсегда

На рынке не хватает специалистов по Data Science

• 2 300 компанийсейчас ищут специалистов в Data Science & Machine Learning
• 80 000 рублейзарплата начинающего специалиста

Данные сайта hh.ru
Кому подойдёт этот курс

• Новичкам в IT
  Вы получите базовые навыки по аналитике, статистике и математике, которые откроют путь к карьере в Data Science и Machine Learning.
• Программистам
  Вы прокачаете свои знания и навыки в программировании на Python. Научитесь использовать алгоритмы машинного обучения, решать бизнес-задачи — 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

• Программировать на Python
  Освоите самый популярный язык для работы с данными.
• Визуализировать данные
  Сможете разрабатывать дашборды или интерактивную инфографику.
• Строить модели машинного обучения
  Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.
• 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.
• Работать с библиотеками и базами данных
  Освоите базы данных MongoDB, PostgreSQL, SQLite3, научитесь работать с библиотеками Pandas, NumPy и Matpotlib.
• Писать рекомендательные системы
  Создадите рекомендательную систему и добавите её в своё портфолио.

Помощь в трудоустройстве

• Рекомендации по составлению портфолио и резюме
• Подготовка к собеседованию в компаниях-партнёрах
• Реальные заказчики
  на защите диплома
• Персональные консультации по развитию карьеры

Опытные HR-специалисты отвечают на вопросы, подбирают лучшие вакансии, готовят к собеседованию и помогают каждому студенту получить работу мечты.
Как проходит обучение

• Изучаете тему
  В курсе — практические видеоуроки.
• Выполняете задания
  В том темпе, в котором вам удобно.
• Работаете с наставником
  Закрепляете знания и исправляете ошибки.
• Защищаете дипломную работу
  И дополняете ею своё портфолио.

Программа курса
Аналитика

• Введение.
• Основы Python: базовые структуры данных.
• Основы Python: циклы и условия.
• Основы Python: функции.
• Основы Python: классы и объекты.
• Основы Python: исключения.
• Библиотека NumPy. Часть 1.
• Библиотека NumPy. Часть 2.
• Библиотека pandas. Часть 1.
• Библиотека pandas. Часть 2.
• Визуализация данных с помощью matplotlib.
• Чтение и запись данных.
• Введение в SQL.
• Работа со строками.

Статистика и теория вероятностей

• Основы статистики и теории вероятностей.

Машинное обучение

• Основные концепции Machine Learning (ML).
• Жизненный цикл ML-проекта.
• Регрессия.
• Классификация.
• Кластеризация
• Дополнительные техники.
• Знакомство с Kaggle.

Математика для date science

• Базовые математические объекты и SymPy. Дроби и преобразования.
• Базовые математические объекты и SymPy. Необходимые функции и некоторые дополнительные объекты.
• Функции одной переменной, их свойства и графики.
• Интерполяция и полиномы.
• Аппроксимация и преобразования функций.
• Функции нескольких переменных, их свойства и графики.
• Линейные функции.
• Матрицы и координаты.
• Линейные уравнения.
• Производная функции одной переменной.
• Производная по направлению и градиент + частные производные.
• Линейная регрессия.
• Собственные векторы и значения. Определитель.
• Разложения матриц.

Машинное обучение

• Введение в нейронные сети.
• Обучение нейронных сетей.
• Нейронные сети на практике.
• Свёрточные нейросети для задачи классификации изображений.
• Семантическая сегментация. Часть 1. Слабая локализация и полносвёрточные нейросети (FCN).
• Семантическая сегментация. Часть 2. Продвинутые архитектуры FCN для семантической сегментации.
• Детектирование объектов.
• От дискриминативных моделей к генеративным. Style transfer.
• Генеративные состязательные сети.
• Введение в NLP.
• NLP на нейросетях. Рекуррентные нейросети, классификация текстов.
• NLP на нейросетях. Языковые модели, Attention, Transformer.
• Обучение с подкреплением. Q-Learning.
• Обучение с подкреплением. Deep Q-Learning.
• Ускорение и оптимизация нейронных сетей.
• Внедрение в DL моделей в Production.
• Рекомендательные системы.
• Вывод моделей машинного обучения в production, post production и мониторинг.

Универсальные знания программиста

• Как стать первоклассным программистом.
• Как искать заказы на разработку.
• Личный бренд разработчика.
• Photoshop для программиста.
• Вёрстка email-рассылок. Советы на реальных примерах.
• The state of soft skills.
• Как мы создавали карту развития для разработчиков.
• Как общаться по email и эффективно работать с почтой.
• Повышение своей эффективности.
• Спор о первом языке программирования.
• Саморазвитие: как я не усидел на двух стульях и нашёл третий.
• Data-driven подход к продуктивности — инсайты из данных миллиона людей.

Английский для IT

• IT Resume and CV.
• Job interview: questions and answers.
• Teamwork.
• Workplace communication.
• Business letter.
• Software development.
• System concept development and SRS.
• Design.
• Development and Testing.
• Deployment and Maintenance.

Нажмите для раскрытия…

: