Онлайн-курс Data Scientist с нуля

• Профессия Data Scientist и смежные роли
• Востребованность и карьера в данных
• Обзор курса и правила работы
• Настройка окружения: Anaconda, Jupyter
• Основы Git и GitHub для сдачи заданий

В этом модуле вы познакомитесь с профессией, настроите рабочее окружение и освоите базовые инструменты для успешного старта в Data Science

• Переменные, типы данных
• Арифметические операции
• Стандартный ввод и вывод
• Условные конструкции и ветвления
• Циклы
• Структуры данных
• Функции
• Работа с файлами

В этом модуле вы освоите основы Python: работу с данными, переменными и операциями, а также научитесь управлять программой с помощью условий

• Циклы
• Структуры данных
• Функции
• Работа с файлами
• Сложность алгоритмов

В этом модуле вы освоите ключевые конструкции Python для автоматизации задач, научитесь работать с данными, структурировать код и оценивать эффективность алгоритмов

• Векторы
• Матрицы
• Система линейных уравнений

В этом модуле вы освоите математический фундамент для анализа данных: работу с векторами и матрицами, их основные операции и применение для решения систем линейных уравнений — основы многих алгоритмов машинного обучения

• Введение в библиотеки
• Библиотека numpy
• Библиотека pandas
• Библиотека matplotlib

В этом модуле вы освоите ключевые библиотеки Python для анализа данных: NumPy для вычислений с массивами, Pandas для обработки таблиц, Matplotlib и Seaborn для визуализации. Узнаете, как эффективно работать с файлами, и поймете преимущества использования готовых библиотек для машинного обучения

• Основы баз данных, СУБД и SQL
• Обзор SQLite, PostgreSQL, MySQL
• Работа с БД из Python

В этом модуле вы познакомитесь с реляционными базами данных и SQL. Научитесь проектировать структуру БД, писать базовые запросы и работать с данными через Python. Освоите практическое применение SQL для анализа

• Функция
• Производная функции
• Градиентный и стохастический спуск (SGD)

В этом модуле вы освоите математическую основу ML: научитесь использовать производные и градиенты для анализа и оптимизации моделей с помощью градиентного спуска

• Случайные величины
• Условная вероятность
• Формула Байеса
• Основы статистики
• Доверительные интервалы
• Проверка статистических гипотез
• ЦПТ и закон больших чисел
• Подведение итогов

В этом модуле вы освоите фундаментальные понятия теории вероятностей и статистики, необходимые для анализа данных. Научитесь работать с распределениями, рассчитывать вероятности сложных событий и проводить первичный статистический анализ с визуализацией

• Доверительные интервалы
• Проверка статистических гипотез
• ЦПТ и закон больших чисел

В этом модуле вы научитесь оценивать неопределенность данных, проверять гипотезы (например, об эффективности изменений на сайте) и поймете фундаментальные теоремы, лежащие в основе статистики и ML

• Введение в Machine Learning
• Задача регрессии
• Задача классификации
• Валидация результатов
• Модели классификации
• Бустинг и стекинг
• Библиотеки xgboost, lightgbm, catboost

В этом модуле вы освоите ключевые алгоритмы машинного обучения с учителем: линейную и логистическую регрессию. Научитесь оценивать качество моделей, бороться с переобучением и готовить данные для анализа

• Валидация и оценка моделей
• Ключевые алгоритмы классификации
• Построение ансамблей
• Подбор гиперпараметров и основы AutoML

В этом модуле вы освоите методы валидации моделей машинного обучения, изучите основные алгоритмы классификации и научитесь строить мощные ансамблевые модели для повышения точности прогнозов

• Задача обучения без учителя
• Задача понижения размерности

В этом модуле вы освоите основные методы обучения без учителя: научитесь группировать данные с помощью алгоритмов кластеризации и сокращать размерность признакового пространства с помощью PCA

• Задача прогнозирования временных рядов
• Преобразование Фурье
• Классификация временных рядов

В этом модуле вы научитесь прогнозировать, анализировать и классифицировать данные, зависящие от времени. Освоите модели ARIMA, частотный анализ с помощью преобразования Фурье и специализированные методы машинного обучения для работы со временными рядами

• Общий принцип работы с текстами
• Стемминг и лемматизация
• Способы векторизации текстов

В этом модуле вы научитесь превращать неструктурированный текст в данные для анализа, освоите ключевые методы предобработки и векторизации текста, а также создадите свою первую модель для классификации документов

• Введение в нейросети
• Обработка изображений, CNN
• Рекуррентные нейросети
• Генеративные нейронные сети
• Подведение итогов

В этом модуле вы разберетесь в принципах работы нейронных сетей, их возможностях и ключевых ограничениях. Вы изучите основные архитектуры: для общих задач, анализа изображений и работы с текстами. Поймете процесс обучения и методы предотвращения переобучения

• Проблема воспроизводимости вычислений
• Введение в Snakemake
• Docker
• Как презентовать исследование

В этом модуле вы научитесь создавать воспроизводимые исследования, автоматизировать конвейеры данных с помощью Snakemake, работать с Docker для единообразных окружений и грамотно оформлять результаты работы

• Основные этапы жизненного цикла ПО
• Методологии управления проектами
• Роли, события и артефакты в Scrum
• Терминология и процессы Scrum
• Принципы и инструменты методологии Kanban

В этом модуле вы изучите жизненный цикл ПО, различия между Waterfall и Agile. Подробно разберете Scrum и освоите основы управления задачами с помощью Kanban

• Где искать работу
• С чего начать / Что выбрать
• Собеседование. Тестовые задания
• Развитие

В этом модуле вы узнаете, как правильно презентовать себя на этапе отбора, проходить собеседования и выстраивать грамотную работу с тестовыми заданиями