Научим Data Science с нуля за 7,5 месяцев.
Курс Data
Scientist
ДИСТАНЦИОННЫЙ КУРС — 7,5 МЕСЯЦЕВ
Старт групп
DS07-onl — 28 нояб.
Дни занятий
Места
Вт, Пт, 19:00 — 22:00
6 из 18
Научим Data Science с нуля за 7,5 месяцев.
Курс Data
Scientist
ДИСТАНЦИОННЫЙ КУРС — 7,5 МЕСЯЦЕВ
Старт групп
DS07-onl — 28 нояб.
Дни занятий
Места
Вт, Пт, 19:00 — 22:00
6 из 18
- Учиться простоМы не продаем курсы в записи, только live-общение и практика с ментором
- От 2 до 6 проектовВ портфолио по окончании курса + диплом на английском языке
- Высокий рейтинг4,9 / 5 средний рейтинг от наших выпускников, довольных обучением
- Поиск работыАктивная помощь в поиске первой работы как в СНГ, так и в ЕС
Кем ты станешь
С развитием технологий и повсеместным использованием гаджетов все легче становится собирать различные данные о том, что происходит в мире — от наших кликов в интернет-пространстве до структуры развития человеческого генома. Для того, чтобы уметь обращаться с этими данными, и существует Data Science.
Какую песню предложить тебе для прослушивания? Как определить, где пешеход, а где встречная машина во время движения?
Как спрогнозировать изменение цен на криптовалюту в будущем?
На этом курсе ты сможешь понять, как работают все вышеперечисленные алгоритмы, а также научишься строить свои предиктивные модели, используя фреймворки TensorFlow и PyTorch.
Какую песню предложить тебе для прослушивания? Как определить, где пешеход, а где встречная машина во время движения?
Как спрогнозировать изменение цен на криптовалюту в будущем?
На этом курсе ты сможешь понять, как работают все вышеперечисленные алгоритмы, а также научишься строить свои предиктивные модели, используя фреймворки TensorFlow и PyTorch.
Процесс дистанционного обучения
Прямая трансляция в ZOOM
В 19:00 в дни занятий подключаетесь по ссылке в онлайн-комнату, где будет проходить занятие.
Вы можете задавать вопросы , показывать свой экран и общаться в чате с преподавателем. Все как на обычном занятии.
Вы можете задавать вопросы , показывать свой экран и общаться в чате с преподавателем. Все как на обычном занятии.
Домашние задания
Обязательные домашние задания, чтобы закрепить полученные знания на практике.
По всем выполненным заданиям преподаватель дает подробную обратную связь.
По всем выполненным заданиям преподаватель дает подробную обратную связь.
Запись занятия и материалы
После каждого занятия вы будете получать запись урока, чтобы в любой момент времени освежить его в памяти и пересмотреть важные моменты.
Живое общение
Преподаватель курса, другие студенты и менеджеры школы всегда доступны онлайн в общем чате и готовы оперативно помочь с возникшими вопросами.
Дипломный проект
Дипломный проект в конце обучения, который вы сможете включить в резюме.
Твой результат в
конце курса
конце курса
- 1Выучишь основные алгоритмы машинного обучения и натренируешь свои модели
- 2Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры
- 3Используешь лучшие методики для оценки качества моделей и их оптимизации
- 4Научишься стратегиям end-to-end, транcфера и многозадачного машинного обучения
- 5Построишь сверточные и рекурентные нейронные сети, используя фреймворки PyTorch и TensorFlow
- 6Станешь востребованным специалистом в сфере Data Science
В ходе курса реализуем следующие проекты:
Классификация арабских цифр с помощью нейросетей
Предсказание курса евро/доллар и индекса s&p 500 с помощью рекуррентных нейросетей
Предсказание результатов женских теннисных матчей
Поможем получить твою первую работу в IT
Наш карьерный центр помогает с профориетацией в IT, а также оказывает поддержку студентам, способствует их трудоустройству в международные IT-компании и занимается сопровождением в поиске работы за рубежом.
- Идеальное резюмеМы подскажем, как создать конкурентоспособное резюме и релевантное сопроводительное письмо, чтобы выделиться среди других кандидатов
- Профиль в LinkedInРасскажем, как заполнить профессиональный профиль в LinkedIn, чтобы его начали замечать рекрутеры
- Подготовка к собеседованиюРасскажем, из каких этапов состоит собеседование, а также научим презентовать себя и свои сильные стороны для его успешного прохождения
- Твоя работа в ITОтправим подготовленное резюме нашим партнёрам международным IT-компаниям и дождемся вместе с тобой твой первый оффер на работу мечты
- 93%Трудоустроенных выпускников после консультации в карьерном центре.
- 170+Компаний партнеров
- 14000+Компаний ищут специалистов в ИТ сфере на рынке СНГ
Наши компании партнеры
Стань востребованным
Data Scientist
Data Scientist
Оставь телефон в форме ниже, и мы проконсультируем
тебя в ближайшее время.
тебя в ближайшее время.
Преподаватели курса
- ВиталийData Scientist at FreshLimeSoft
4+ года опыта коммерческой разработки - АндрейMachine Learning Specialist at JSC Peleng
4+ года опыта коммерческой разработки
Смотри интервью с DataScience инженерами на нашем YouTube канале
Условия для зачисления на курс "Data Scientist"
- Опыт в программированииПройденные курсы по программированию в TeachMeSkills или других учебных центрах, или владение на начальном уровне любыми языками программирования, плюсом будет знание таких языков, как Python, Pascal, Java, MatLab, C/C++ .
- Системные требования для обучения:ОС: Windows 10+ / MacOS Sierra+ / Linux
Оперативная память: от 4-8 Гб
Видеокарта: от 1 Гб
Программа курса
240 академических часов
Программу всех занятий по Data Science в нашей школе программирования разрабатывают и ведут практикующие IT специалисты.
Программу всех занятий по Data Science в нашей школе программирования разрабатывают и ведут практикующие IT специалисты.
1. Введение
- Краткий обзор курса и задач Machine Learning
- Что такое Machine Learning, Data Science, AI
- Google Colab, Jupyter Notebook, настройка среды
2. Python для Data Science
- Введение в Python
- Основы работы с Python
3. Системы контроля версий - Git
- Git - введение
- Git Flow
- Git - практика
4. Основы Python (типы и структуры данных)
- Операторы, выражения
- Числа с плавающей точкой (int/float)
- float 2
- Базовые коллекции 1 - list (списки)
- Базовые коллекции: cтроки
- Базовые коллекции: словари и множества
- Базовые коллекции: кортежи
5. Основы Python (логические выражения и циклы)
- Условный оператор if, ветвления
- Условный оператор if: продолжение
- Цикл while
- For: циклы со счетчиком
- For: циклы со счетчиком, часть 2. Функция range
- Цикл for: работа со строками
- Вложенные циклы
6. Основы Python (функции)
- Функции
- Методы для работы со списком
- List comprehensions
- Функции — Рекурсия
7. Основы Python (классы)
- Классы
8 - 9. Манипуляции с данными. Базы данных и SQL
- Изучить основные методы и структуры данных библиотеки Pandas
- Извлечение данных, визуализация результатов
- Группировка, подсчет метрик
- Преобразование данных
- Базы данных
- SQLite
- SQL запросы
- ORM
10. PostgreSQL и SQLAlchemy
- Сложные запросы
- PostgreSQL
- SQLAlchemy
- Функции и триггеры
- ORM
11 - 12. Базовый математический уровень для Data Science и реализация в Python
- Линейная алгебра (Основы матричного исчисления), векторы, векторное пространство
- Вычисления с помощью NumPy
- Матрицы. Реализация матричных операций на языке Python
- Основы теории вероятности и математической статистики. Основы мат. анализа
- Распределения, доверительные интервалы
- Корреляция
- Базовый эксплоративный анализ и визуализация данных
- Работа с данными в Pandas
13. Data Visualization
- Визуализация данных в Matplotlib
- Plotly
14 -15 . Классические Machine Learning-алгоритмы
- Обучение с учителем/без учителя/с подкреплением
- Функция ошибок
- Градиентный спуск
- Линейная регрессия
16 - 17. Продолжаем с линейной регрессией
- Множественная линейная регрессия
- Классификация (логистическая регрессия)
- Переобучение (регуляризация)
- Недообучение
- Другие алгоритмы (Метод опорных векторов)
18. Введение в нейронные сети
- Понятие нейронных сетей. Нейрон. Многослойный персептрон
- Функции активации
- Learning (Forward, Backpropagation)
- Смещение/разброс (Bias/Variance)
- Кривые обучения (Learning curves)
- Метрики оценки
19 - 20. Ансамблевые методы
- Деревья решений
- Ансамблевые методы Boosting/Bagging
- Градиентный бустинг
- Random Forest
21. Обучение без учителя (Кластеризация)
- Метод k-средних
- Иерархическая кластеризация
- DBSCAN
- Выявление аномалий
22. Снижение размерности
- Метод главных компонент (PCA)
- Стохастическое вложение соседей с t-распределением (T-SNE)
23. Рекомендательная система
- Основанная на пользователях
- Основанная на контенте
- Коллаборационный фильтр
- Модели прогнозирования временных рядов
24. Работа с большими данными
- Large scale algo
- Batching
- Cross-Validation
- Map reduce
25 - 26. Нейронные сети и Deep Learning
- Классификация архитектур нейронных сетей
- Виды слоёв (и классификация нейронов)
- Обучение: функция потерь, обратное распространение ошибки, оптимизаторы, стохастический градиент
- Регуляризация
- Ознакомление с библиотеками для Deep Learning
27 - 29. Решение проблем с тренировкой глубоких нейросетей
- Улучшаем глубокие нейросети
- Оптимизация гиперпараметров, Регуляризция и Оптимизация
- Gradient vanishing/explosion
30 - 31. Data Science project pipeline
- Structuring Machine Learning Projects
- Transfer Learning
32 - 34. Сверточные нейросети
- Введение
- Операция свертки
- Слои в сверточных нейросетях
- Базовая структура сверточной нейросети
- Классификация объектов
35 - 37. Применение сверточных нейросетей
- Object detection
- Распознавание лиц
- Перенос стилей
38 - 42. Sequence Models
- Рекуррентная нейросеть (RNN)
- Управляемый рекуррентный блок (GRU)
- Долгая краткосрочная память (LSTM)
- Двунаправленная RNN/LSTM
- Механизм внимания
43 - 44. Основы Natural Language Processing (NLP)
- Word2Vec, GloVe и Fastext
- BERT
45 - 46. Основы Times Series Prediction
- Классические подходы применения статистики
- Предобработка временных рядов
- Применение Deep Learning
47 - 49. Примеры решений задач СV, NLP, Time Series prediction
- Сегментация объектов на изображении
- Анализ эмоциональной окрашенности текста
- Классификации текста
50 - 52. Основы Computer Science для Data Science
- Основы Computer Science (OOП)
- Базовые алгоритмы и структуры данных
- Инкапсуляция, наследование и полиморфизм
- Перегрузка операторов
- MRO
- Статические методы, методы класса, property
- Метаклассы
- Классы данных
53. Основы Web
- Flask or Fast API
54 - 55. Основы работы в облачных сервисах
- Знакомство с AWS
- Базы данных на AWS -- RedShift
- AWS SageMaker, S3
- AWS Textract
- Google Cloud Platform
- Google Vision
- Деплой своего проекта на GCP (App Engine)
56 - 57. Закрепление итогового материала и выбор дипломного проекта
58. Подготовка к техническому собеседованию
59. Онлайн-занятие «Поиск работы в IT»
- Составление резюме и сервисы для создания резюме;
- Создание и правильное оформление профиля в LinkedIn;
- Составление мотивационного письма;
- Работа с поиском вакансий на различных джоб-бордах;
- Личные рекомендации Карьерного центра по поиску первой работы в IT
60. Защита дипломных проектов
Стоимость курса
210 BYN в месяц
210 BYN в месяц
Или сразу, но дешевле - 3 420 BYN / 1 220$ за весь курс.
Приведи друга – учитесь со скидкой 100 BYN каждый.
Стоимость в месяц указана при рассрочке на 18 месяцев. Подробную информацию по программам рассрочки и кредитования можно узнать у менеджеров.
Приведи друга – учитесь со скидкой 100 BYN каждый.
Стоимость в месяц указана при рассрочке на 18 месяцев. Подробную информацию по программам рассрочки и кредитования можно узнать у менеджеров.
Старт группы "DS07-onl"
30 января
Дни и время занятий
Вторник, 19.00 - 22.00
Пятница, 19.00 - 22.00
Кол-во свободных мест
12 из 18
30 января
Дни и время занятий
Вторник, 19.00 - 22.00
Пятница, 19.00 - 22.00
Кол-во свободных мест
12 из 18
Что наши выпускники говорят о нас?
Стань востребованным
Data Scientist
Data Scientist
Оставь телефон в форме ниже, и мы проконсультируем
тебя в ближайшее время.
тебя в ближайшее время.