Data Scientist
Онлайн-курс от Нетологии. Построение и обучение предиктивных моделей с помощью алгоритмов машинного обучения и нейросетей. Разработка рекомендательных систем, NLP решений и алгоритмов распознавания объектов на фото и видео. Получение и подготовка данных для построения моделей.
- SQL и получение данных. В идеальном мире data scientist получает готовые данные, чтобы строить модели, но мир неидеален. Вы научитесь с помощью SQL получать данные из БД, фильтровать, агрегировать, а также импортировать и экспортировать.
- Архитектура и структура баз данных (БД)
- Простые запросы, join`ы, агрегаты
- Базовые команды в SQL и встроеные аналитические функции
- Импорт и экспорт данных посредством SQL и ETL программ
- Принципы работы с разными конкретными БД
- Основные библиотеки для подключения к БД из Python
- Функции SQL и их аналоги в pandas
- Подготовка и сдача итогового проекта
- Python, статистика и математика для анализа данных. Вы научитесь пользоваться базовыми инструментами и подходами в Python, чтобы начать работать с данными. Повторите основы линейной алгебры, теории множеств, методов математической оптимизации, описательной статистики, статистического анализа данных, а также научитесь реализовывать это на языке Python.
- Основы Python и Git (арифметика)
- Базовые типы данных и циклы
- Функции и классы
- Продвинутые типы данных: массивы, множества, словари
- Python для анализа данных: numpy и scipy
- Python для анализа данных: pandas
- Лабораторная работа по Python
- Основы линейной алгебры и теории множеств + реализация в Python
- Методы математической оптимизации + реализация в Python
- Основы описательной статистики + реализация в Python
- Статистический анализ данных + реализация в Python
- Лабораторная работа по матстатистике
- Подготовка и сдача итогового проекта
- Feature engineering и предобработка данных. Когда данные получены, нужно изучить их, выявить закономерности, а также подготовить для создания модели. Вы научитесь визуализировать данные, проверять их на целостность, валидность, полноту, очищать от шумов, пропущенных значений, работать с размерностью, а также создавать фичи для моделей.
- Выбор способа визуализации под задачу
- Инструменты matplotlib, seaborn для визуализации
- Проверка и очищение данных с помощью pandas и numpy
- Проведение одномерного и рекурсивного Feature Selection и Feature Selection на базе моделей
- Методы оценки значимости и отбора признаков и их использование
- «Проклятие размерности», основные алгоритмы и принципы их работы
- Использование алгоритмов sklearn
- Математика для анализа данных. Чтобы увидеть в больших объёмах данных закономерности, аналитик опирается на линейную алгебру, математический анализ и теорию вероятности. Если специалист не разбирается в этих направлениях — гипотезы и выводы будут неточными.
- Линейная алгебра
- Математический анализ
- Теория вероятности
- Построение модели. Вы научитесь строить основные модели обучения с учителем и без, а также ансамбли моделей. Кроме этого, сможете подбирать метрики, чтобы оценивать качество модели, итерационно повышать его и бороться с переобучением.
- Линейные методы, логистическая регрессия и SVM
- Деревья решений
- Линейная и полиноминальная регрессия
- Алгоритмы кластеризации
- Способы повышения качества модели
- Функции потерь и оптимизация
- Оценка точности модели, борьба с переобучением, регуляризация
- Улучшение качества модели
- Менеджмент data-проектов. Вы научитесь планировать разработку data science-проектов, а также грамотно рассказывать заказчикам о результатах исследований.
- Организация проекта
- Составление отчётов по исследованиям
- Рекомендательные системы. В этом и следующих блоках вы будете применять полученные знания в разных областях машинного обучения. Во время этого блока научитесь строить персонализированные и неперсонализированные рекомендательные системы, а также комбинировать их.
- Неперсонализированные рекомендательные системы
- Сontent-based-рекомендации
- Collaborative Filtering
- Гибридные алгоритмы
- Распознавание изображений, машинное зрение. Вы освоите основные техники машинного зрения — извлечение признаков, поиск по картинкам, сегментирование, детекция объектов — а также научитесь строить нейросети.
- Поиск по картинкам
- Сегментация изображений, детекция объектов
- Применение свёрточных нейронных сетей для задач сегментации и детекции
- Применение рекуррентных сетей в задачах обработки изображений
- Генеративные конкурирующие сети (GAN)
- Обработка естественного языка (NLP). Вы освоите морфологический и синтаксический анализ, дистрибутивную семантику и информационный поиск, научитесь снижать размерность в векторной модели, классифицировать, извлекать информацию и генерировать тексты.
- Морфологический и синтаксический анализ
- Методы снижения размерности в векторной модели. Информационный поиск
- Тематическое моделирование (LSA, LDA, HDP)
- Дистрибутивная семантика (word2vec, GloVe, AdaGram)
- Счётные языковые модели и вероятностные языковые модели. LSTM. Машинный перевод
- Генерация текстов (Natural Language Generation)
- Задача классификации в АОТ
- Итоговый хакатон. Завершим обучение состязанием с товарищами по курсу: 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.
101 достоверный отзыв о школе Нетология
Мы не нашли много отзывов конкретно про курс «Data Scientist». Зато мы собрали 101 отзыв о школе Нетология — они помогут вам получить общее представление о процессе обучения.