Data Scientist: старт в профессии от Нетологии

1. SQL и получение данных

Научитесь получать данные для анализа без помощи разработчиков, объяснять архитектуру и структуру базы данных, писать простые и сложные SQL-запросы, группировать, агрегировать и фильтровать данные из баз данных, использовать PostgreSQL, работать с разными форматами файлов.

• Базы данных

• Основы SQL

• Итоговый проект

• Работа с PostgreSQL

• Лабораторная работа

2. Python для анализа данных

Научитесь пользоваться базовыми инструментами и подходами в Python, чтобы начать работать с данными.

• Основы Python: Jupiter Notebook, комментарии в коде, арифметические операции, переменные, условные конструкции

• Регулярные выражения и основы синтаксического разбора

• Бонусные видеолекции по Git

• Работа с файловой системой и модули

• Библиотека NumPy: вычислительные задачи

• Основы парсинга

• Продвинутый Pandas: оптимизация, сводные таблицы, методы работы со строками, объединения датафреймов, конкатенация таблиц, оптимизация хранения данных

• Функции

• Понятие класса

• Управляющие конструкции и коллекции

• Исключения и обработка ошибок

• Функции и работа с данными

• Библиотека Pandas: обзор возможностей и базовые операции

• Лабораторная работа

3. Основы практической статистики

Научитесь исследовать данные и делать выводы, формулировать и проверять гипотезы. Познакомитесь с описательной статистикой и видами распределений. Изучите статистические критерии.

• Основы статистики

• Основные статистические показатели. Корреляция

• Статистические критерии. Проверка гипотез и формулирование выводов

• Основные статистические показатели. Виды распределений данных

• Взаимосвязи данных и формулирование гипотез по SMART

• Итоговое задание

4. Математика для анализа данных

Освоите математический аппарат Data Science для понимания принципов работы существующих методов анализа данных, выбора подходящих алгоритмов и корректной интерпретации результатов.

• Линейная алгебра

• Теория оптимизации

• Итоговый проект

• Математический анализ

• Теория вероятностей и основы статистики

5. Машинное обучение

Научитесь проверять данные на полноту, целостность, валидность, наличие шумов, ошибок и пропусков. Узнаете, как очищать данные с помощью NumPy и pandas, сокращать размерности данных алгоритмами PCA, LDA, NMF. Поймёте, как строить деревья решений и модели логистической, линейной и полиномиальной регрессии. Сможете использовать Random Forest в задачах классификации.

• Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия

• Функции потерь и оптимизация

• Проблема качества данных

• Работа с переменными

• Ансамблирование

• Feature selection

• Алгоритмы кластеризации

• Классификация. Логистическая регрессия и SVM

• Оценка точности модели, переобучение, регуляризация

• Работа с пропусками

• Деревья решений

• Поиск выбросов и генерация новых признаков

• Метрики близости. Работа с текстовыми данными. Наивный Байес

• Улучшение качества модели

• Итоговый проект

6. Введение в нейронные сети

Научитесь строить простые полносвязанные сети уровня LeNet и AlexNet и экспериментировать с их обучением. Получите теоретическую и практическую базу для использования НС в блоках CV и NLP.

• Введение в нейронные сети и библиотеку Keras

• Свёрточные нейронные сети

• Рекуррентные нейронные сети

• Дополнительные темы

7. Дипломный проект

Сможете работать над своим проектом или взять учебную задачу: построить модель по предсказанию определённого показателя.