Обучение Data Science – Курс Data Scientist в СПб | Level Up

Курс Data Scientist

Начало курса: 04.07.2021
Продолжительность: 4,5 месяца (60+ ак. часов)
Расписание: 5 первых занятий:
Вс 12:00 - 14:30

далее либо:

Вс 12:00 - 14:30

либо

Сб 12:00 - 14:30

Онлайн
(6 мест) 25900 записаться

Описание курса

Курс Data Scientist ориентирован на начинающих разработчиков, знакомых с основами разработки на Python.

Программа обучения Data Science содержит большое количество практических задач на закрепление знаний, а также мини-проекты на протяжении курса.

Целью курса Data Scientist является понимание и умение применять на практике все необходимые технологии связанные с Data

Science.

При успешном прохождении курса студент может претендовать на должность Junior Data Scientist или Junior Data Analyst.

Каждая из тем курса содержит практические примеры, а каждое занятие сопровождается домашним заданием для закрепления материала.

В конце курса разберем самые популярные вопросы для собеседования.

Требования к участникам курса:

Начальные знания Python (нужно знать, что такое методы/функции/import/pip; не обязательно знать, вопросы связанные с разработкой классов, декораторов, лямбда-выражений, генераторов и т.п.). То есть первые 3-4 занятия из курса Python. Уровень 1.
Умение пользоваться системами контроля версий (Github | Gitlab | Bitbucket и т.п.)
Знание английского для понимания базовых слов (A2-B1). Или желание быстро расширить словарный запас (по желанию предоставляется “словарик” начинающего разработчика).

свернуть

Программа

1. Введение. Терминология.

Рассмотрение различных ролей в AI-team и их навыков.
Различия/Сходства программирования и науки о данных.
Цикл разработки AI продукта.
Полезные ресурсы.

2. Python + Git

Вспоминаем
Закрепляем
Решаем задачки

3. JupyterLab + MarkDown

4. Data Engineering

Подготовка данных для обучения (feature engineering).
Способы сбора/поиска данных для обучения.
Анализ данных (в том числе визуализация).
Что такое ETL?
Базы данных

SQL (на примере MySQL).
NoSQL (на примере MongoDB).

Обзор терминов: Hadoop, Spark, Hive.

5. Modeling

ML (Classic models)

Типы:

Logistic Regression
Linear Regression
Decision Trees
Random Forest
XGBoost
Support Vector Machines (SVM)
K-means
K-Nearest Neighbors (K-NNs)
Principal Component Analysis (PCA)
Naive Bayes Classifier
Lasso/Ridge regression

Пакеты/Фреймворки для работы
Methods to train (initialization, optimization, regularization, and hyperparameter tuning).
Анализ результатов моделей, рекомендации.

Deep Learning

Типы:

Deep Neural Networks (DNNs) | Feed Forward Networks (FFNNs)
Recurrent Neural Network (RNN)
Long Short Term Memory (LSTM)
Convolutional Neural Network (CNN)

Пакеты/Фреймворки для работы
Methods to train (initialization, regularization, optimization, and transfer learning).
Анализ результатов моделей, рекомендации.

Математика для DS (базовые знания, ничего страшного :) )

Статистика (hypothesis testing, bias/variance tradeoffs, mean, variance, and mode).
Теория вероятностей (distributions, conditional probabilities, independence, Bayes theorem).
Математический анализ (derivatives, integrals)
Линейная алгебра (matrix vector operations, eigenvalues, eigenvectors, and combinatorics).
Математические функции (min/max/argmin/argmax...).
Математика для анализа данных (preprocessing, visualization and metrics such as
accuracy, R-squared, residuals, precision, and recall).

Обзор языка R.

6. Deployment

Что такое рефакторинг. Основные подходы.
Обзор AWS, Azure и аналогов.
Preparing files (usually model architecture and parameters) for deployment.

7. Business Analysis

Визуализация

Tableau
matplotlib
seaborn

Анализ того, что получилось на графиках (корреляция, среднее...).

8. Infrastructure

Базовые понятия GPU / CUDA
Docker + Linux terminal.
A/B testing
Unit & Functional tests
Классические алгоритмы и структуры данных (О-большое, понятие оптимизации).

9. Разбор классических вопросов на собеседовании

свернуть

Преподаватель

Задать вопрос

Ирина

Старший разработчик в компании МТС ИИ (Искусственный Интеллект)

Закончила бакалавриат и магистратуру в СПбГЭТУ (ЛЭТИ) по специальности “Информатика и вычислительная техника”.

Опыт разработки более 6 лет. За это время работала с различными языками программирования и операционными системами, но основными всегда были C++ и Python.

Начинала с программирования микроконтроллеров и десктопных приложений на Qt. Несколько лет назад начала развиваться в сфере распознавания речи (в компании Центр Речевых Технологий).

На данный момент участвует в разработке умной колонки МТС.

“Разработчиком может быть каждый! Главное не отступать перед трудностями, шаг за шагом продвигаясь к своей цели. Программирование - это постоянное развитие, а развитие без труда невозможно, но результат всегда стоит того. Я верю, что у вас все получится!”

свернуть