Описание

Data Scientist [2021]
synergy academy

Data Scientist или «ученый по данным» — это востребованный специалист в сфере IT, который работает с большим объемом данных с помощью методов статистического анализа и построения математических моделей. Работая с аналитикой и нейронными сетями, Data Scientist помогает принимать грамотные бизнес-решения и оптимизировать процесс их реализации.

Кому подойдет обучение:
1. Новичкам

2. Начинающим специалистам в сфере программирования

3. Аналитикам

Чему вы научитесь:
1. Проектировать базы данных
2. Создавать и обучать модели
3. Программировать на Python
4. Понимать основы статистики
5. Применять методологии Agile/Scrum
6. Анализировать большой объем данных

Модуль 1 – Основы Python

1. Введение в программироване
2. Установка ПО. Мой первый скрипт на Python
3. Основные типы данных в Python
4. Операции в Python
5. Оператор IF-ELIF-ELSE. Оператор try-except
6. Цикл for и while
7. Генератор списка и словаря. Стек, очередь, бинарное дерево
8. Функции Python. Передача параметров.
9. Функциональное программирование(map, filter, reduce, zip)
10. Пакеты в Python. Создание модулей
11. Что такое ООП. Принципы ООП
12. Создание класса. Методы класса
13. Декораторы, classmethos, static method
14. Что такое база данных. Реляционные базы данных
15. СУБД. Установка ПО. Знакомство с PostgreSQL
16. Написание запросов. Подключение к БД из Python
17. ORM в Python. sqlalchemy
18. Введение в анализ данных
19. Работа с Pandas, numpy, matplotlib
20. Парсинг сайтов
21. Классификация, анализ текстов

Модуль 2 – Линейная алгебра и математика, статистика

1. Вектора и матрицы. Основные операции. Теория
2. Собственные вектора и числа. Теория
3. Вектора и матрицы. Основные операции. Практика
4. Собственные вектора и числа. Практика
5. Сингулярное разложение и низкоранговое приближение. Теория + практика
6. Числовые ряды. Предел функции. Теория
7. Числовые ряды. Предел функции. Практика
8. Производная функции. Частные производные. Теория
9. Градиент и градиентный спуск. Теория
10. Интеграл. Теория
11. Интеграл. Практика
12. Ряды Фурье и Тейлора. Теория
13. Размещение с повторениями. Размещение без повторений. Теория
14. Размещение с повторениями. Размещение без повторений. Практика
15. Сочетание с повторениями. Сочетание без повторений. Теория
16. Сочетание с повторениями. Сочетание без повторений. Практика
17. Числа Стирлинга. Биномиальные коэффициенты. Теория
18. Числа Стирлинга. Биномиальные коэффициенты. Практика
19. Вероятностное пространство.
20. Условная вероятность. Полная вероятность. Теорема Байеса. Теория
21. Условная вероятность. Полная вероятность. Теорема Байеса. Практика
22. Независимые случайные величины. Схема Бернулли. Теория
23. Математическое ожидание. Дисперсия. Теория
24. Математическое ожидание. Дисперсия. Практика
25. Теоремы Муавра-Лапласса. Теорема Пуассона. Теория
26. Закон больших чисел. Центральная предельная теорема. Теория
27. Введение в статистику. Нормальное распределение. Теория+Практика
28. Виды распределений. Ковариация. Корреляция. Теория+Практика
29. Виды распределений. Ковариация. Корреляция. Практика
30. Правило 2х/3ч сигм. Доверительный интервал. Теория+Практика
31. Статистическая значимость. Методы проверки гипотез. Часть 1
32. Статистическая значимость. Методы проверки гипотез. Часть 2
33. Статистическая значимость. Методы проверки гипотез. Часть 3
34. А/Б тестирование. Теория
35. Функция ошибки. Линейная регрессия. Теория+Практика

Модуль 3 – Анализ данных

Модуль 4 – Основы машинного обучения

1. Задачи машинного обучения
2. Модель и процесс машинного обучения
3. Потоки данных в машинном обучении
4. Задача регрессии
5. Разведочный (исследовательский) анализ данных
6. Процесс ETL и очистка данных
7. Обучающая, проверочная и валидационные выборки
8. Смещение, разброс и ошибка данных в модели
9. Недообучение и переобучение модели
10. Использование HDF
11. Метрики регрессионных моделей
12. Метод наименьших квадратов
13. Модель линейной регрессии
14. Линейная регрессия с регуляризацией
15. Оптимизация гиперпараметров модели
16. Изотоническая регрессия
17. Полиномиальная регрессия
18. Линеаризация регрессии
19. Ансамбли моделей машинного обучения
20. Ансамбль стекинга

Модуль 5 – Инжиниринг данных

1. Проблема качества данных. Теория
2. Работа с пропусками. Теория
3. Работа с переменными. Теория
4. Поиск выбросов и генерация новых признаков
5. Feature Selection
6. Эксплоративный анализ (EDA)
7. Работа с текстовыми данными
8. Итоговое практическое занятие. EDA и Feature Selection. Часть 1
9. Итоговое практическое занятие. Работа с пропусками и переменными. Часть 2
10. Итоговое практическое занятие. Поиск выбросов и генерация новых признаков. Часть 3

Модуль 6 – Нейронные сети

1. Введение в нейронные сети
2. Полносвязные нейронные сети
3. Элементы теории оптимизации
4. Обучение нейронных сетей
5. Сверточные нейронные сети
6. Рекуррентные нейронные сети 1 Часть
7. Рекуррентные нейронные сети 2 Часть
8. Tips and Tricks
9. Pytorch
10. Векторные представления слов
11. Нейронные сети-трансформеры

Модуль 7 – Основы искусственного интеллекта

1. Введение в ML
2. Постановка задачи ML
3. Классические алгоритмы ML. 1 часть
4. Классические алгоритмы ML. 2 часть
5. Метрика качества и работа с признаками
6. Основы NLP
7. Векторные представления слов
8. Рекомендательные системы. Часть 1
9. Рекомендательные системы. Часть 2
10. Нейронные сети
11. Компьютерное зрение
12. Заключение

Модуль 8 – Методологии Agile/ Scrum

Модуль 9 – Продвинутые коммуникативные навыки

1. Техника речи и ее особенности
2. Речевые проблемы и упражнения
3. Речевые упражнения для развития дикции, речевого аппарата и тела
4. Навыки формулирования и изложения мысли
5. Самопрезентация
6. Личный бренд
7. Основные ошибки ораторов
8. Психология влияния
9. Эмоциональная настройка
10. Работа с аудиторией
11. 10 правил публичного выступления
12. Подготовка презентации

Примечание: на момент создания темы актуальная цена не известна.