Data Scientist: Программа переподготовки

I. Введение в data science, основные инструменты (24 ч.)

Что такое data science, big data, как это работает. Экспресс-обучение основным инструментам: Python 3, numpy, pandas, scikit-learn. Эксплоративный анализ и библиотеки визуализации данных. Hadoop и его экосистема, кластерные вычисления. Настройка кластеров и загрузка данных в них.

II. Базовые алгоритмы и понятия ML (28 ч.)

Деревья решений. Метод k ближайших соседей. Линейный классификатор, логическая регрессия. Проверка точности модели, переобучение, регуляризация. Борьба с переобучением, ансамблирование. Кластеризация.

III. Feature engineering (12 ч.)

Проблемы качества и размерности данных. Уменьшение размерности данных. Методы декомпозиции. Cпрямляющие пространства.

IV. Рекомендательные системы (32 ч.)

Введение в рекомендательные системы. Неперсонализированные рекомендации. Персонализированные рекомендации. Развитие рекомендательных систем.

V. Распознавание изображений, машинное зрение (40 ч.)

Базовая теория. Обзор кейсов применения. Нейросети. Рукописный ввод. Детекция и сегментация объектов на изображении.

VI. Обработка естественного языка (32 ч.)

Введение в обработку текста. Обзор существующих библиотек, их использование и доработка. Использование внешних ресурсов. Грязные тексты. Дистрибутивная семантика. Чатботы (генерация текстов). Нейросети для NLP. Применение NLP для обработки логов (кликстрима).

VII. Анализ временных рядов, прогнозирование стоимости акций и других товаров (20 ч.)

Временные ряды, модели ARMA/ARIMA. Сложные модели прогнозирования. Эксплоративный анализ временных рядов. Инвестиционный анализ, финансовые прогнозы.

VIII. Общение с заказчиком (16 ч.)

Проекты машинного обучения: требования, их формализация и оценка. Составление отчетов по исследованиям. Визуализация данных. Презентация проекта.

IX. Дополнительные инструменты, среды (20 ч.)

Инструменты HP для работы с большими данными. Решения Google для работы с большими данными. Clickhouse. Решения Oracle для работы с большими данными.

X. Data Science в цифровом маркетинге и e-commerce проектах (24 ч.)

Цели, задачи, решения и критерии успешности применения Data Science. Маркетинг Data-Driven vs интуиция. Типы данных и примеры датасетов. Методы сбора из разных источников. Подготовка и обработка данных, извлечение смысла и визуализация. Мастер-класс по атрибуции маркетинговых расходов для увеличения дохода интернет-магазина.

XI. Дипломная работа (60 ч.)

Разработка и внедрение собственного ML-решения/проекта либо разработка предложенного нами кейса

Что даст вам этот курс:

Не только алгоритмы, библиотеки и инструменты

• Кроме технических навыков, каждому специалисту важно понимать поставленную задачу и доносить результаты своей работы до заказчика. Вы будете практиковаться в формализации требований, визуализации данных, составлении отчетов и презентаций для заказчика.

Очное обучение у профессионалов и практиков

• Преподаватели каждый день работают с большими данными, обучают машины и решают задачи, с которыми вам предстоит разобраться. Каждый преподаватель — профессионал с хорошей репутацией в профессиональном сообществе. Многие из них преподают в университетах и на открытых курсах по data science.

Карьерный и финансовый рост, диплом о переподготовке

• Вы получите диплом о профессиональной переподготовке по специальности «Аналитик данных/Специалист по машинному обучению». С ним Вы сможете претендовать на позицию «Аналитик данных», «Разработчик big data» с зарплатой от 120 тысяч рублей.

Требования к студентам:

• Владеть хотя бы одним языком программирования на начальном уровне, предпочтительно — Python
• Знать математику на уровне старшей школы: функции одной и нескольких переменных, производные, векторная и матричная алгебра, тригонометрия

Режим занятий: 3 занятия в неделю. Вторник, четверг с 19:00 до 22:00 и суббота с 10:30 до 13:30

Беспроцентная рассрочка на 6 месяцев.