Мы не продаем курсы в записи, только live-общение и практика с ментором
От 2 до 6 проектов
В портфолио по окончании курса + диплом на английском языке
Высокий рейтинг
4,9 / 5 средний рейтинг от наших выпускников, довольных обучением
Поиск работы
Активная 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.
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.
Домашние задания
Обязательные домашние задания, чтобы закрепить полученные знания на практике. 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
1
Выучишь основные алгоритмы машинного обучения и натренируешь свои модели
2
Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры
3
Используешь лучшие методики для оценки качества моделей и их оптимизации
4
Научишься стратегиям end-to-end, транcфера и многозадачного машинного обучения
5
Построишь сверточные и рекурентные нейронные сети, используя фреймворки PyTorch и TensorFlow
6
Станешь 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 резюме
Мы подскажем, как создать конкурентоспособное резюме и релевантное сопроводительное письмо, чтобы выделиться среди других кандидатов
Профиль в LinkedIn
Расскажем, как заполнить профессиональный профиль в LinkedIn, чтобы его начали замечать рекрутеры
Подготовка к собеседованию
Расскажем, из каких этапов состоит собеседование, а также научим презентовать себя и свои сильные стороны для его успешного прохождения
Твоя работа в IT
Отправим 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
Оставь телефон в форме ниже, и мы проконсультируем тебя в ближайшее время.
Преподаватели курса
Виталий
Data Scientist at FreshLimeSoft 4+ года опыта коммерческой разработки
Андрей
Machine 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 программировании
Пройденные 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.
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
210BYN 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.
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
Что наши выпускники говорят о нас?
Стань востребованным Data Scientist
Оставь телефон в форме ниже, и мы проконсультируем тебя в ближайшее время.