Data Scientist tyhjästä PRO: ksi - kurssi 233 640 RUB. SkillFactorysta, koulutus 24 kuukautta, päivämäärä 15.8.2023.
Miscellanea / / November 29, 2023
Peruskurssin jälkeen voit valita suppeamman tietotekniikan erikoisalan - ML-insinööri, CV-insinööri tai NLP-insinööri
M.L. Insinööri — Koneoppimisen kehittäjä
Kehitä luottoluokituksen ennustemalli
Ratkaise roskapostiviestien luokitteluongelma
Kehitä järjestelmä sopivien tuotteiden suosittelemiseksi oston yhteydessä
Rakenna malli myynnin lisäämiseksi vähittäiskaupassa
Luo kuvia tekstin kuvauksen perusteella käyttämällä DALL-E-hermoverkkoa
CV Insinööri — Tietokonenäköasiantuntija
Opi ratkaisemaan kaikki Computer Vision -alan perusongelmat
Saat tietoa CV-mallien kanssa työskentelyn todellisesta kulmasta, nykyisistä lähestymistavoista ja edistyneistä työkaluista, joita tarvitaan CV-palveluiden luomiseen
Luo lopputyössä virtuaalinen valmentaja, joka pystyy arvioimaan harjoitusten oikeellisuutta videolla
NLP-insinööri — Luonnollisen kielen käsittelyn asiantuntija
Tutustu luonnollisen kielen käsittelyyn
Ymmärrä NLP-tehtävät - luokittelu, yhteenveto ja tekstin luominen, konekäännösjärjestelmien luominen ja kysymysvastausjärjestelmät
Opinnäytetyössä kehität itsenäisesti työkaluja automaattiseen kontekstien hakuun tietyistä aiheista.
BASE
Tässä vaiheessa opit Pythonin ohjelmoinnin perusteet, esikäsittelet ja analysoit dataa sekä tutustut datatieteilijän päätehtäviin.
Esittely - 1 viikko
Pystyt muotoilemaan itsellesi todellisia oppimistavoitteita, selvittämään, mikä on DS: n arvo liiketoiminnalle, perehtyä datatieteilijän päätehtäviin ja ymmärtää minkä tahansa kehityksen DS projekti.
INTRO-1. Kuinka opiskella tehokkaasti - perehdytys koulutukseen
INTRO-2. Ammatin yleiskatsaus. Datatieteen ongelmatyypit. Data Science -projektin kehittämisen vaiheet ja lähestymistavat
Kehityssuunnittelu - 5 viikkoa
Opit käyttämään perustietotyyppejä Pythonilla ja osaat käyttää silmukkarakenteita, ehdollisia lausekkeita ja funktioita päivittäisessä työssäsi.
PYTHON-1. Pythonin perusteet
PYTHON-2. Sukellus tietotyyppeihin
PYTHON-3. Ehdolliset lausunnot
PYTHON-4. Pyörät
PYTHON-5. Toiminnot ja toiminnallinen ohjelmointi
PYTHON-6. Harjoitella
PYTHON-7. Python-tyyliopas (bonus)
Perusmatematiikka - 7 viikkoa
MATH-1. Numerot ja lausekkeet
MATH-2. Yhtälöt ja epäyhtälöt
MATEMAA-3. Funktioteorian peruskäsitteet
MATEMAA-4. Geometrian perusteet: planimetria, trigonometria ja stereometria
MATEMAA-5. Joukkoja, logiikkaa ja tilaston elementtejä
MATH-6. Kombinatoriikka ja todennäköisyysteorian perusteet
MATEMAA-7. Ongelmanratkaisu
Työskentely tietojen kanssa - 8 viikkoa
Tässä vaiheessa hallitset datan perustaidot: miten valmistelet, puhdistat ja muunnat dataa analysoitavaksi sopivaksi. Analyysistä puheen ollen: analysoit dataa käyttämällä suosittuja kirjastoja Matplotlib, Seaborn, Plotly.
PYTHON-8. Data Science Tools
PYTHON-9. NumPy-kirjasto
PYTHON-10. Johdatus Pandaan
PYTHON-11. Perustekniikat tietojen käsittelyyn Pandasissa
PYTHON-12. Kehittyneet tietotekniikat Pandasissa
PYTHON-13. Tietojen puhdistus
PYTHON-14. Tietojen visualisointi
PYTHON-15. OOP: n periaatteet Pythonissa ja virheenkorjauskoodissa (valinnainen moduuli)
Projekti 1. Tietojoukkoanalytiikka suljetuista asioista
Tietojen lataus - 6 viikkoa
Voit ladata tietoja eri muodoista ja lähteistä. Ja SQL, jäsennelty kyselykieli, auttaa sinua tässä. Opit käyttämään aggregaattifunktioita, taulukkoliitoksia ja monimutkaisia liitoksia.
PYTHON-16. Kuinka ladata tietoja eri muotoisista tiedostoista
PYTHON-17. Tietojen hakeminen verkkolähteistä ja sovellusliittymistä
SQL-0. Hei SQL!
SQL-1. SQL: n perusteet
SQL-2. Aggregaattifunktiot
SQL-3. Pöytien yhdistäminen
SQL-4. Monimutkaiset liitokset
Projekti 2. Ladataan uusia tietoja. Analyysin tarkentaminen
Tilastotietojen analyysi - 7 viikkoa
Keskitytään tiedustelutietojen analysointiin (EDA). Tutustut tällaisen analyysin kaikkiin vaiheisiin ja opit suorittamaan sen käyttämällä kirjastoja Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Lisäksi voit työskennellä Kagglessa, joka on suosittu kilpailuihin osallistumispalvelu.
EDA-1. Johdatus tiedustelutietojen analysointiin. EDA-algoritmit ja -menetelmät
EDA-2. Matemaattiset tilastot EDA: n yhteydessä. Ominaisuuksien tyypit
EDA-3. Ominaisuustekniikka
EDA-4. Tilastotietojen analysointi Pythonissa
EDA-5. Tilastotietojen analysointi Pythonissa. Osa 2
EDA-6. Kokeiden suunnittelu
EDA-7. Kaggle alusta
Projekti 2
Johdatus koneoppimiseen - 9 viikkoa
Tulet tutustumaan ML-kirjastoihin datariippuvuuksien mallintamiseen. Osaat kouluttaa ML-mallien päätyyppejä, suorittaa validoinnin, tulkita työn tuloksia ja valita tärkeitä ominaisuuksia (ominaisuus tärkeys).
ML-1. Koneoppimisen teoria
ML-2. Ohjattu oppiminen: Regressio
ML-3. Ohjattu oppiminen: Luokitus
ML-4. Ohjaamaton oppiminen: Klusterointi- ja ulottuvuuksien vähentämistekniikat
ML-5. Tietojen validointi ja mallin arviointi
ML-6. Ominaisuuksien valinta ja valinta
ML-7. Mallin hyperparametrien optimointi
ML-8. ML keittokirja
Projekti 3. Luokitteluongelma
PÄÄYKSIKKÖ
Lineaarinen algebra, matemaattinen analyysi, diskreetti matematiikka - se kuulostaa pelottavalta, mutta älä pelkää: analysoimme kaikki nämä aiheet ja opetamme sinua työskentelemään niiden kanssa! Toisessa vaiheessa sukellat matematiikkaan ja koneoppimisen perusteisiin, opit lisää DS-ammateista ja valitset uraohjauksen avulla toisen vuoden opintojakson.
Matematiikka ja koneoppiminen. Osa 1 - 6 viikkoa
Pystyt ratkaisemaan käytännön tehtäviä manuaalisella laskennalla ja Pythonilla (vektori- ja matriisilaskut, työskentely joukkojen kanssa, funktioiden tutkiminen differentiaalianalyysin avulla).
MATH&ML-1. Lineaarinen algebra lineaaristen menetelmien yhteydessä. Osa 1
MATH&ML-2. Lineaarinen algebra lineaaristen menetelmien yhteydessä. Osa 2
MATH&ML-3. Matemaattinen analyysi optimointitehtävän yhteydessä Osa 1
MATH&ML-4. Matemaattinen analyysi optimointiongelman yhteydessä. Osa 2
MATH&ML-5. Matemaattinen analyysi optimointiongelman yhteydessä. Osa 3
Projekti 4. Regression ongelma
Matematiikka ja koneoppiminen. Osa 2 - 6 viikkoa
Tutustut todennäköisyysteorian ja matemaattisen tilaston peruskäsitteisiin, algoritmeihin klusterointia ja myös oppia arvioimaan suoritetun klusteroinnin laatua ja esittämään tulokset graafinen muoto.
MATH&ML-6. Todennäköisyysteoria Naive Bayes -luokittajan yhteydessä
MATH&ML-7. Päätöspuihin perustuvat algoritmit
MATH&ML-8. Tehostaminen ja pinoaminen
MATH&ML-9. Klusterointi- ja dimensioiden vähentämistekniikat. Osa 1
MATH&ML-10. Klusterointi- ja dimensioiden vähentämistekniikat. Osa 2
Projekti 5. Ensemble menetelmät
Diskreetti matematiikka - 4 viikkoa
MATH&MGU-1 Sarjat ja kombinatoriikka
MATH&MGU-2 Logiikka
MATH&MGU-3 Kaaviot. Osa 1
MATH&MGU-4 Kaaviot. Osa 2
ML liiketoiminnassa - 8 viikkoa
Opit käyttämään ML-kirjastoja aikasarjaongelmien ja suositusjärjestelmien ratkaisemiseen. Voit kouluttaa ML-mallin ja validoida sen sekä luoda toimivan prototyypin ja ajaa mallia verkkokäyttöliittymässä. Ja hanki myös A/B-testaustaitoja, jotta voit arvioida mallin.
MATH&ML-11. Aikasarja. Osa 1
MATH&ML-12. Aikasarja. Osa 2
MATH&ML-13. Recommender-järjestelmät. Osa 1
MATH&ML-14. Recommender-järjestelmät. Osa 2
TUOTE-1. Mallin valmistelu tuotantoa varten
TUOTE-2. PrototypeStreamlit+Heroku
TUOTE-3. Liiketoiminnan ymmärtäminen. Asia
Projekti 6. Valittavana oleva aihe: Aikasarjat tai Recommender-järjestelmät
PRO TASO
Kolmannessa vaiheessa tutustut yhteen koneoppimismenetelmistä - syväoppimiseen (DL). Ja myös täysi lohko valitusta erikoistumisesta odottaa sinua: voit hallita koneoppimistaitoja (ML), perehtyä CV: n (tietokonenäkö) rutiiniin tai parantaa NLP: tä*, luonnollista käsittelyä Kieli.
Toinen opintovuosi - 3 erikoisalaa, joista valita
Uraohjaus
ML, CV tai NLP: tässä vaiheessa sinun on vihdoin tehtävä valinta, mitä polkua valitset seuraavaksi. Kerromme sinulle jokaisesta erikoisalasta ja tarjoamme sinulle ratkaisun useisiin käytännön ongelmiin, jotta sinun olisi helpompi päättää.
Rata ML - insinööri
ML-radalla opit ratkaisemaan syvällisiä koneoppimisongelmia, hallitsemaan tietotekniikan pätevyyden ja hiomaan taitojasi Python-kirjastojen kanssa työskentelyssä. Opit myös luomaan MVP: n (tuotteen pienin käyttökelpoinen versio), opit kaikki ML-mallin tuotantoon tuomisen hienoudet ja opit kuinka ML-insinöörit työskentelevät tosielämässä.
Johdatus syvälliseen oppimiseen
Tietotekniikan perusteet
Muita Python- ja ML-lukuja
Taloudellinen vaikutusten arviointi ja MVP-kehitys
ML tuotantoon
ML-kehitys- ja valmistumisprojektin syvällinen opiskelu valitusta aiheesta
Track CV - insinööri
CV-radalla opit ratkaisemaan tietokonenäköongelmia, kuten kuvan luokittelua, segmentointi ja havaitseminen, kuvien luominen ja tyylittäminen, restaurointi ja laadun parantaminen valokuvat. Lisäksi opit ottamaan neuroverkkoja tuotantoon.
Johdatus syvälliseen oppimiseen
Tietotekniikan perusteet
Muita Python- ja ML-lukuja
Taloudellinen vaikutusten arviointi ja MVP-kehitys
ML tuotantoon
ML-kehitys- ja valmistumisprojektin syvällinen opiskelu valitusta aiheesta
Track NLP - insinööri
NLP-radalla harjoittelun aikana opit ratkaisemaan luonnollisen kielen käsittelyn pääongelmat mukaan lukien luokittelu, yhteenveto ja tekstin luominen, konekääntäminen ja dialogin luominen järjestelmät
Johdatus syvälliseen oppimiseen
Neuraaliverkkomatematiikka NLP: lle
Laitteisto ja ohjelmisto NLP-ongelmien ratkaisemiseen
NLP-tehtävät ja algoritmit
Neuroverkot tuotannossa
NLP-kehitys- ja valmistumisprojektin perusteellinen tutkimus valitusta aiheesta
Jos valitset CV- tai ML-erikoistuvuuden, voit suorittaa NLP-kurssin ilman mentoritukea ilmaiseksi.
Syväoppiminen ja hermoverkot
Missä neuroverkkoja käytetään? Kuinka kouluttaa neuroverkkoa? Mitä on syväoppiminen? Löydät vastaukset näihin kysymyksiin DL: n bonusosiosta.
Johdatus tietotekniikkaan
Opit mitä eroa on datatieteilijän ja tietoinsinöörin roolilla, mitä työkaluja tämä käyttää työssään ja mitä tehtäviä hän ratkaisee päivittäin. Sanat "lumihiutale", "tähti" ja "järvi" saavat uusia merkityksiä :)