Подготовка по Python, математике, SQL и машинному обучению, включая временные ряды, тексты и нейронные сети.
Подготовка по Python, математике, SQL и машинному обучению, включая временные ряды, тексты и нейронные сети. Кому адресована программа: начинающим специалистам по Data Science.
Обучение охватывает следующие темы: Введение. Подготовка к работе; Основы синтаксиса Python; Структуры данных и алгоритмы Python; Линейная алгебра для исследователей данных; Основные библиотеки для анализа данных. Далее изучаются: Базы данных и SQL; Линейная алгебра, методы оптимизации; Математическая статистика; Основные модели Machine Learning с учителем.
Начинающим специалистам по Data Science.
Профессия Data Scientist и смежные роли; Востребованность и карьера в данных; Обзор курса и правила работы; Настройка окружения: Anaconda, Jupyter.
Переменные, типы данных; Арифметические операции; Стандартный ввод и вывод; Условные конструкции и ветвления.
Циклы; Структуры данных; Функции; Работа с файлами.
Векторы; Матрицы; Система линейных уравнений.
Введение в библиотеки; Библиотека numpy; Библиотека pandas; Библиотека matplotlib.
Основы баз данных, СУБД и SQL; Обзор SQLite, PostgreSQL, MySQL; Работа с БД из Python.
Функция; Производная функции; Градиентный и стохастический спуск (SGD).
Случайные величины; Условная вероятность; Формула Байеса; Основы статистики.
Введение в Machine Learning; Задача регрессии; Задача классификации; Валидация результатов.
Валидация и оценка моделей; Ключевые алгоритмы классификации; Построение ансамблей; Подбор гиперпараметров и основы AutoML.
Задача обучения без учителя; Задача понижения размерности.
Задача прогнозирования временных рядов; Преобразование Фурье; Классификация временных рядов.
Общий принцип работы с текстами; Стемминг и лемматизация; Способы векторизации текстов.
Введение в нейросети; Обработка изображений, CNN; Рекуррентные нейросети; Генеративные нейронные сети.
Проблема воспроизводимости вычислений; Введение в Snakemake; Docker; Как презентовать исследование.
Основные этапы жизненного цикла ПО; Методологии управления проектами; Роли, события и артефакты в Scrum; Терминология и процессы Scrum.
Где искать работу; С чего начать / Что выбрать; Собеседование. Тестовые задания; Развитие.
Бруноям разрабатывает программы по программированию, дизайну, маркетингу, аналитике и нейросетям. Школа ориентируется на взрослых, которые осваивают новую специальность или хотят применять конкретные инструменты в работе.
ML и Data Science
Управление ИИ-продуктом: от бизнес-задачи и гипотезы до пилота и оценки эффекта.
ML и Data Science
Подготовка ML-инженера: от работы с данными и моделями до прикладных проектов.
ML и Data Science
Проектирование ML- и ИИ-систем с учётом бизнес-задачи, метрик, внедрения и поддержки.
ML и Data Science
Проектирование ML-систем с учётом данных, метрик, экономики, эксплуатации и рисков; итогом становится проектная документация.
