Data Scientist с нуля до PRO от SkillFactory

Введение

1 неделя

• INTRO-1. Как учиться эффективно — онбординг в обучение
• INTRO-2. Обзор профессии. Типы задач в Data Science. Этапы и подходы к разработке Data Science проекта

Проектирование разработки

5 недель

• PYTHON-1. Основы Python
• PYTHON-2. Погружение в типы данных
• PYTHON-3. Условные операторы
• PYTHON-4. Циклы
• PYTHON-5. Функции и функциональное программирование
• PYTHON-6. Практика
• PYTHON-7. Гид по стилю в среде Python (бонусный)

Основы математики

7 недель

• MATH-1. Числа и выражения
• MATH-2. Уравнения и неравенства
• MATH-3. Основные понятия теории функций
• MATH-4. Основы геометрии: планиметрия, тригонометрия и стереометрия
• MATH-5. Множества, логика и элементы статистики
• MATH-6. Комбинаторика и основы теории вероятности
• MATH-7. Решение задач

Работа с данными

8 недель

• PYTHON-8. Инструменты Data Science
• PYTHON-9. Библиотека NumPy
• PYTHON-10. Введение в Pandas
• PYTHON-11. Базовые приемы работы с данными в Pandas
• PYTHON-12. Продвинутые приемы работы с данными в Pandas
• PYTHON-13. Очистка данных
• PYTHON-14. Визуализация данных
• PYTHON-15. Принципы ООП в Python и отладка кода (дополнительный модуль)
• Проект 1. Аналитика датасета по закрытым вопросам

Подгрузка данных

6 недель

• PYTHON-16. Как выгружать данные из файлов разных форматов
• PYTHON-17. Получение данных из веб-источников и API
• SQL-0. Привет, SQL!
• SQL-1. Основы SQL
• SQL-2. Агрегатные функции
• SQL-3. Соединение таблиц
• SQL-4. Сложные объединения
• Проект 2. Подгрузка новых данных. Уточнение анализа

Статистический анализ данных

7 недель

• EDA-1. Введение в разведывательный анализ данных. Алгоритмы и методы EDA
• EDA-2. Математическая статистика в контексте EDA. Типы признаков
• EDA-3. Проектирование признаков (Feature Engineering)
• EDA-4. Статистический анализ данных на Питоне
• EDA-5. Статистический анализ данных на Питоне. Часть 2
• EDA-6. Проектирование экспериментов
• EDA-7. Kaggle площадка
• Проект 3

Введение в машинное обучение

9 недель

• ML-1. Теория машинного обучения
• ML-2. Обучение с учителем: Регрессия
• ML-3. Обучение с учителем: Классификация
• ML-4. Обучение без учителя: Кластеризация и техники понижение размерности
• ML-5. Валидация данных и оценка модели
• ML-6. Отбор и селекция признаков
• ML-7. Оптимизация гиперпараметров модели
• ML-8. ML Cookbook
• Проект 4. Задача классификации

Математика и машинное обучение. Часть 1

6 недель

• MATH&ML-1. Линейная алгебра в контексте Линейных методов. Часть 1
• MATH&ML-2. Линейная алгебра в контексте Линейных методов. Часть 2
• MATH&ML-3. Математический анализ в контексте задачи оптимизации Часть 1
• MATH&ML-4. Математический анализ в контексте задачи оптимизации. Часть 2
• MATH&ML-5. Математический анализ в контексте задачи оптимизации. Часть 3
• Проект 5. Задача регрессии

Математика и машинное обучение. Часть 2

6 недель

• MATH&ML-6. Теория вероятностей в контексте Наивного Байесовского классификатора
• MATH&ML-7. Алгоритмы на основе Деревьев решений
• MATH&ML-8. Бустинг & Стекинг
• MATH&ML-9. Кластеризация и техники понижения размерности. Часть 1
• MATH&ML-10. Кластеризация и техники понижения размерности. Часть 2
• Проект 6. Ансамблевые методы

Дискретная математика

4 недели

• MATH&MGU-1 Множества и комбинаторика
• MATH&MGU-2 Логика
• MATH&MGU-3 Графы. Часть 1
• MATH&MGU-4 Графы. Часть 2

ML в бизнесе

8 недель

• MATH&ML-11. Временные ряды. Часть 1
• MATH&ML-12. Временные ряды. Часть 2
• MATH&ML-13. Рекомендательные системы. Часть 1
• MATH&ML-14. Рекомендательные системы. Часть 2
• PROD-1. Подготовка модели к Production
• PROD-2. Прототип Streamlit+Heroku
• PROD-3. Бизнес понимание. Кейс
• Проект 7. Тема на выбор: Временные ряды или Рекомендательные системы

Профориентация

10 недель

• Выбор специализации ML или CV и работа с глубоким обучением.