[Нетология] Data Scientist: с нуля до middle [Алексей Кузьмин, Олег Булыгин]

Robot · 14 Авг 2021

Чем занимается Data Scientist
Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы.
Новые знания сделают вас востребованным специалистом в Data Science
Вы научитесь не только работать с аналитикой, нейронными сетями, Big Data и помогать компаниям и продуктам расти с помощью технологий, но и освоите ключевые «мягкие навыки»: коммуникацию в команде, целеполагание и эмоциональный интеллект.
Обучение на курсе поможет вам:

Перейти в профессию с высоким окладом, которая не устареет через 10 лет
Освоить ключевые технологии и опередить запрос рынка
Прожить опыт 2-3 лет самостоятельного изучения сферы Data Science

Кому будет полезен этот курс:

Новичкам в Data Science
Разработчикам
Аналитикам

Чему вы научитесь:

Работать с SQL
Использовать Python и библиотеки
Проверять данные и определять проблемы
Обучать многослойные нейронные сети и строить модели машинного обучения
Применять математику в алгоритмах
Лидировать Data-проекты, работать в команде и находить общий язык с заказчиком

Спойлер: Программа курса:
1 ступень. Погружение

Аналитическое мышление (Курсовой проект):

Что такое аналитическое мышление

Откуда берутся данные

Введение в Google-таблицы

Продвинутая визуализация данных

Продвинутые Google-таблицы

Python как инструмент анализа данных

Основы статистики

Машинное обучение для жизни

Основы визуализации данных (Курсовой проект):

Зачем нужна визуализация данных

Связи, потоки, процессы и карты

Инструменты, источники и предподготовка данных

Как рассказать историю с помощью данных

Основы статистики и способы сравнения метрик

2 ступень. SQL, Python и Big Data

SQL и получение данных (Курсовой проект):

Архитектура и структура баз данных (БД)

Функции SQL и их аналоги в pandas

Простые запросы, join`ы, агрегаты

Консоль (знакомство, основные операторы, утилита psql)

Базовые команды в SQL и встроеные аналитические функции

Архитектура и проектирование

Импорт и экспорт данных посредством SQL и ETL программ

Нормализация

Принципы работы с различными БД

Зависимости

Основные библиотеки для подключения к БД из Python

Подготовка и сдача итогового проекта

Аналитика больших данных (Курсовой проект):

Что такое большие данные

Основные характеристики больших данных и виды анализа данных. Продвинутые методы анализа больших данных

Монетизация больших данных

NoSQL-подход

Характеристики и источники данных

MapReduce-подход

Культура сбора данных

Введение в Hadoop

Основы реализации проектов больших данных. Кейс-стади

Практическое задание (лабораторная работа) по аналитике данных и его разбор

Python для анализа данных (Курсовой проект):

Базовые типы данных и циклы

Базовые понятия статистики

Функции и классы

Случайные события. Случайные величины

Продвинутые типы данных: массивы, множества, словари

Логистическая регрессия и дискриминационный анализ

Библиотеки для анализа данных: NumPy, Pandas, Matplotlib

Корреляция и корреляционный анализ

Визуализация в Python

Доверительные интервалы. Статистическая проверка гипотез

Математика для анализа данных (Курсовой проект):

Линейная алгебра. Вектора

Производная функции нескольких аргументов

Линейная алгебра. Матрицы

Теория оптимизации

Продвинутая линейная алгебра

Теория вероятности. Дискретные и непрерывные случайные величины

Математический анализ. Производная

Центральная предельная теорема и закон больших чисел

3 ступень. Машинное обучение, Deep Learning и нейронные сети

Машинное обучение:

Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия

Оценка точности модели, переобучение, регуляризация

Классификация: логистическая регрессия и SVM

Проблема качества данных

Функции потерь и оптимизация

Работа с пропусками и переменными

Рекомендательные системы:

Неперсонализированные рекомендательные системы

Collaborative Filtering

Сontent-based-рекомендации

Гибридные алгоритмы

Временные ряды:

Знакомство с временными рядами

Сингулярный спектральный анализ

Элементарные методы анализа временных рядов

Случайные марковские процессы

Модели ARMA

Нейронные сети в анализе временных рядов

Модели авторегрессии условной гетероскедастичности

Поиск изменений во временном ряде

Нейронные сети:

Введение в нейронные сети и библиотеку Keras

Введение в рекуррентные сети

Углубление в нейронные сети и библиотеку Keras

Автокодировщики

Введение в свёрточные нейронные сети

Введение в генеративно-состязательные сети

Компьютерное зрение:

Выделение признаков и поиск похожих изображений

Задачи детекции и сегментации

Сегментация и детекция объектов

Рекуррентные нейронные сети в задачах компьютерного зрения (Image Captioning)

Свёрточные нейронные сети

Порождающие модели

Обучение свёрточной сети на практике

Обработка естественного языка:

Введение в автоматическую обработку текста

Тематическое моделирование

Структура слова. Морфология

Информационный поиск

Синтаксический анализ

Классификация в АОТ

Дистрибутивная семантика

Языковые модели

Извлечение ключевых слов

Извлечение информации

Словари. Подкрепление знаний

Deep Learning (Курсовой проект):

Регрессия и персептрон

Внимание: Dense Attention и Beam search

Многослойная нейронная сеть: регуляризация, градиентный спуск, ускорение обучения

Компьютерное зрение: SSD, Region Based CNN, Faster R-CNN, Masked R-CNN, UNet, перенос стиля и FCN

Свёрточные сети: свёрточные архитектуры, многомерные свертки, сегментация

Работа с текстом: языковые модели, Embeddings, Word2Wec, FastText, NER, Transformer, BERT и Elmo

Рекуррентные сети: RNN, GRU и LSTM, Encoder-Decoder архитектура

GAN'ы: дискриминатор, генератор, продвинутые архитектуры

4 ступень. Soft Skills и управление проектами

Менеджмент data-проектов:

Требования в data-проектах

Разработка отчётов по исследованию

Методология ведения data-проектов

Сохранение результатов эксперимента

Эффективные коммуникации:

Коммуникации: синхронизация картины мира

Эмоциональный интеллект в переговорах

Коммуникации: искусство убеждения и структура аргумента

Тренды в тестировании: за какими ресурсами следить

Эмоциональный интеллект в коммуникациях: этапы развития, распознавание и управление своими и чужими эмоциями

Резюме, сопроводительное письмо, портфолио

Взаимодействие в команде:

Как укрепить свой авторитет и позиции на работе

Налаживание вертикальных и горизонтальных связей в коллективе

Коммуникации на удалёнке и деловая переписка

Публичные выступления:

Как презентовать идею или отчёт

Подготовка презентации к публичному выступлению

Как начать получать удовольствие от выступлений и перестать их бояться

Финальный хакатон и Kaggle Competitions:
В составе мини-команды за ограниченное время и на основе датасетов крупных игроков рынка вам придётся решать задачи по прогнозированию продаж или оптимизации производства, задействуя все знания и навыки, полученные на курсе.
Интеграция и использование machine learning решений в бизнесе, как правило, подразумевает командную игру, поэтому хакатон полезен ещё и как тренировка необходимых soft skills.
Итоговый проект — реальный кейс от Dodo Brands
В рамках дипломного проекта вы сможете построить ML-модель для решения своих текущих профессиональных задач: это может быть система прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста и т. д.
Если у вас нет идей для своего проекта (или доступа к необходимым данным), мы предложим вам учебный кейс в интересной вам области на основе реального датасета других компаний.
Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе.