Kurssi "Data Science Specialist" - kurssi 112 000 hieroa. Yandex Workshopista, koulutus 8 kuukautta, päivämäärä 30.11.2023.

Täydellinen tietotieteen kurssiohjelma
Päivitämme sitä säännöllisesti varmistaaksemme, että se vastaa teollisuuden ja työnantajien tarpeita. Toisin sanoen opit vain sen, mikä on varmasti hyödyllistä työssäsi.

Pythonin perusteet ja data-analyysi: Ilmainen johdantokurssi:

Opi data-analyysin peruskäsitteet ja ymmärrä, mitä dataanalyytikot ja datatieteilijät tekevät. Ratkaise viisi tapausta työskennellä eri alueiden tietojen kanssa:
- selvittää syy laitteiden massiiviseen hajoamiseen,
- tarkista mobiilisovellusmainonnan takaisinmaksukyky,
- löytää paras paikka uudelle myymälälle,
- auttaa sinua valitsemaan kehitysstrategian tekoälyn startupille,
- arvioida robottien tehokkuutta tukipalvelussa.

Ratkaisemalla tapauksia opit Pythonin ja pandakirjaston perusteet, opit rakentamaan kaavioita ja tulkitsemaan niitä oikein.

Johdatus ammattiin "Data Science Specialist"

Mikä on datatieteen asiantuntija?
Miten opetamme.

Pythonin perus:
Sukella syvemmälle Python-ohjelmointikieleen ja pandakirjastoon.

+1 projekti portfoliossa
Vertaa Yandexin käyttäjätietoja. Musiikki kaupunkien ja viikonpäivän mukaan.

Tietojen esikäsittely:
Opi puhdistamaan tiedot poikkeavista, puutteista ja kaksoiskappaleista sekä muuntamaan erilaisia ​​tietomuotoja.

+1 projekti portfoliossa
Analysoi pankkiasiakkaita koskevia tietoja ja määritä luottokelpoisten asiakkaiden osuus.

Tutkiva data-analyysi:
Opi todennäköisyyslaskennan ja tilastojen perusteet. Käytä niitä tutkiaksesi datan perusominaisuuksia ja etsimällä malleja, jakaumia ja poikkeavuuksia. Tutustu scipy- ja matplotlib-kirjastoihin. Piirrä kaavioita ja harjoittele kaavioiden analysointia.

+1 projekti portfoliossa
Tutustu Pietarin ja Leningradin alueen kiinteistöjen myyntiilmoitusten arkistoon.

Todennäköisyysteoria. Lisäkurssi
Muista tai tunnista todennäköisyysteorian perustermit: riippumattomat, vastakkaiset, yhteensopimattomat tapahtumat jne. Yksinkertaisten esimerkkien ja hauskojen tehtävien avulla harjoittelet työskentelyä numeroiden kanssa ja ratkaisulogiikan rakentamista.
Tämä on valinnainen sprintti. Tämä tarkoittaa, että jokainen opiskelija valitsee itse yhden vaihtoehdoista:

• Suorita kymmenen lyhyen oppitunnin lisäkurssi, perehdy teoriaan ja ratkaise ongelmia.
• Avaa vain haastattelutehtävien lohko, muista käytäntö ilman teoriaa.
• Ohita kurssi kokonaan tai palaa siihen, kun on aikaa ja tarvetta.

Ensimmäisen moduulin lopullinen projekti
Opi tekemään alustavaa datatutkimusta sekä muotoilemaan ja testaamaan hypoteeseja.

+1 projekti portfoliossa
Etsi malleja, jotka määräävät pelin menestyksen.

Johdatus koneoppimiseen:
Hallitse koneoppimisen peruskäsitteet. Tutustu Scikit-Learn-kirjastoon ja luo sen avulla ensimmäinen koneoppimisprojektisi.

+1 projekti portfoliossa
Kehitä matkapuhelinoperaattorille tariffisuositusjärjestelmä.

Tutoroitu koulutus:
Sukella syvemmälle koneoppimisen kuumimpaan alueeseen: ohjattuun oppimiseen. Opi käsittelemään epätasapainoista dataa.

+1 projekti portfoliossa
Ennusta todennäköisyys, että asiakas lähtee pankista.

Koneoppiminen liiketoiminnassa:
Opi koneoppimisesta (lyh. MO) auttaa yritystä tiedon keräämisessä ja miten tuotemittarit liittyvät MO-mittareihin. Opi käynnistämään uusia palvelutoimintoja ML: n avulla. Opi, mitä liiketoimintamittarit, KPI: t ja A/B-testaus ovat.

+1 projekti portfoliossa
Harjoittele malli, joka auttaa tunnistamaan uuden öljyntuotannon sijainnin pienimmällä hävikkiriskillä.

Toisen moduulin lopullinen projekti:
Valmistele dataa koneoppimista varten. Käytä mallia, arvioi sen laatu.

+1 projekti portfoliossa
Simuloi kultamalmin sulatusprosessia parantaaksesi yrityksen toimintaa.

Lineaarialgebra:
Tutustu joihinkin tähän mennessä oppimiisi algoritmeihin ja hanki parempi käsitys niiden käytöstä. Käytännössä hallitse lineaarialgebran pääkäsitteet tyhjästä: lineaariavaruudet, lineaariset operaattorit, euklidiset avaruudet.

+1 projekti portfoliossa
Käytä tietojen muunnosmenetelmää vakuutusyhtiöasiakkaiden henkilötietojen suojaamiseen.

Numeeriset menetelmät:
Analysoit useita algoritmeja ja mukautat niitä käytännön ongelmien ratkaisemiseen numeeristen menetelmien avulla. Hallitse likimääräiset laskelmat, algoritmin monimutkaisuusarviot ja gradientin laskeutuminen. Opi kuinka hermoverkkoja koulutetaan ja mitä gradientin tehostaminen on.

+1 projekti portfoliossa
Kehitä malli käytetyn auton hinnan määrittämiseksi.

Aikasarja:
Aikasarjat kuvaavat, kuinka parametrit, kuten sähkönkulutus tai taksitilausten määrä, muuttuvat ajan myötä. Opit analysoimaan sarjoja, etsimään trendejä ja tunnistamaan kausivaihteluita. Opi luomaan taulukkotietoja ja aikasarjan regressiotehtävää.

+1 projekti portfoliossa
Rakenna malli ja ennusta taksihuippuja.

Koneoppiminen tekstille:
Opi tekemään teksteistä numeerisia vektoreita ja ratkaisemaan niille luokittelu- ja regressiotehtäviä. Opi kuinka TF-IDF-ominaisuudet lasketaan ja tutustu word2vec- ja BERT-kieliesitykseen.

+1 projekti portfoliossa
Nopeuta kommenttien valvontaa yhteisössäsi automatisoimalla myrkyllisyysarvioinnit.

Perus SQL:
Opi SQL-kyselykielen ja relaatioalgebran perusteet tietokantojen kanssa työskentelyä varten. Tutustu suositun tietokannan hallintajärjestelmän, PostgreSQL: n (lyhennettynä) työskentelyn ominaisuuksiin. DBMS). Opi kirjoittamaan eritasoisia kyselyitä ja kääntämään liiketoimintaongelmat SQL: ksi.
Työskentelet elokuviin ja musiikkiin erikoistuneen verkkokaupan tietokannan kanssa.

+1 projekti portfoliossa
Kirjoita joukko vaihtelevan monimutkaisia ​​kyselyitä tietokantaan, joka tallentaa tietoja pääomasijoittajista, startupeista ja niihin sijoituksista.

Konenäkö:
Opi ratkaisemaan yksinkertaisia ​​tietokonenäköongelmia valmiiden hermoverkkojen ja Keras-kirjaston avulla. Tutustu syväoppimiseen.

+1 projekti portfoliossa
Rakenna malli, joka määrittää henkilön likimääräisen iän valokuvasta.

Ohjaamaton oppiminen:
Ohjaamaton oppiminen on yksi koneoppimisen menetelmistä, jossa järjestelmä ratkaisee ongelman ilman ominaisuuksiensa ja rakenteensa perusteella merkittyä dataa. Lisätietoja klusterointi- ja poikkeamien havaitsemisongelmista.

Valmistumisprojekti:
Vahvista viimeisessä projektissa, että olet oppinut uuden ammatin. Selvitä asiakkaan tehtävä ja käy läpi kaikki data-analyysin ja koneoppimisen vaiheet. Nyt ei ole oppitunteja tai läksyjä - kaikki on kuin oikeassa työssä.

+1 projekti portfoliossa
Projekti joista valita:
- Rakenna malli, joka ennustaa asiakasvaihtuvuuden tietoliikenneyritykseltä.
- Rakenna malli, joka ennustaa metallurgisen laitoksen teknologisen prosessin parametrit.