[Нетология] Data Scientist: с нуля до middle (Алексей Кузьмин, Олег Булыгин)

[Аноним]

Ссылка на картинку

Чем занимается Data Scientist
Data Scientist создаёт и обучает предиктивные модели с помощью алгоритмов машинного обучения и нейросетей, помогая бизнесу находить скрытые закономерности, прогнозировать развитие событий и оптимизировать ключевые бизнес-процессы.
Новые знания сделают вас востребованным специалистом в Data Science
Вы научитесь не только работать с аналитикой, нейронными сетями, Big Data и помогать компаниям и продуктам расти с помощью технологий, но и освоите ключевые «мягкие навыки»: коммуникацию в команде, целеполагание и эмоциональный интеллект.
Обучение на курсе поможет вам:

• Перейти в профессию с высоким окладом, которая не устареет через 10 лет
• Освоить ключевые технологии и опередить запрос рынка
• Прожить опыт 2-3 лет самостоятельного изучения сферы Data Science

Кому будет полезен этот курс:

• Новичкам в Data Science
• Разработчикам
• Аналитикам

Чему вы научитесь:

• Работать с SQL
• Использовать Python и библиотеки
• Проверять данные и определять проблемы
• Обучать многослойные нейронные сети и строить модели машинного обучения
• Применять математику в алгоритмах
• Лидировать Data-проекты, работать в команде и находить общий язык с заказчиком

Спойлер: Программа курса:
1 ступень. Погружение

• Аналитическое мышление (Курсовой проект):
  • Что такое аналитическое мышление
  • Откуда берутся данные
  • Введение в Google-таблицы
  • Продвинутая визуализация данных
  • Продвинутые Google-таблицы
  • Python как инструмент анализа данных
  • Основы статистики
  • Машинное обучение для жизни
• Основы визуализации данных (Курсовой проект):
  • Зачем нужна визуализация данных
  • Связи, потоки, процессы и карты
  • Инструменты, источники и предподготовка данных
  • Как рассказать историю с помощью данных
  • Основы статистики и способы сравнения метрик

2 ступень. SQL, Python и Big Data

• SQL и получение данных (Курсовой проект):
  • Архитектура и структура баз данных (БД)
  • Функции SQL и их аналоги в pandas
  • Простые запросы, join`ы, агрегаты
  • Консоль (знакомство, основные операторы, утилита psql)
  • Базовые команды в SQL и встроеные аналитические функции
  • Архитектура и проектирование
  • Импорт и экспорт данных посредством SQL и ETL программ
  • Нормализация
  • Принципы работы с различными БД
  • Зависимости
  • Основные библиотеки для подключения к БД из Python
  • Подготовка и сдача итогового проекта
• Аналитика больших данных (Курсовой проект):
  • Что такое большие данные
  • Основные характеристики больших данных и виды анализа данных. Продвинутые методы анализа больших данных
  • Монетизация больших данных
  • NoSQL-подход
  • Характеристики и источники данных
  • MapReduce-подход
  • Культура сбора данных
  • Введение в Hadoop
  • Основы реализации проектов больших данных. Кейс-стади
  • Практическое задание (лабораторная работа) по аналитике данных и его разбор
• Python для анализа данных (Курсовой проект):
  • Базовые типы данных и циклы
  • Базовые понятия статистики
  • Функции и классы
  • Случайные события. Случайные величины
  • Продвинутые типы данных: массивы, множества, словари
  • Логистическая регрессия и дискриминационный анализ
  • Библиотеки для анализа данных: NumPy, Pandas, Matplotlib
  • Корреляция и корреляционный анализ
  • Визуализация в Python
  • Доверительные интервалы. Статистическая проверка гипотез
• Математика для анализа данных (Курсовой проект):
  • Линейная алгебра. Вектора
  • Производная функции нескольких аргументов
  • Линейная алгебра. Матрицы
  • Теория оптимизации
  • Продвинутая линейная алгебра
  • Теория вероятности. Дискретные и непрерывные случайные величины
  • Математический анализ. Производная
  • Центральная предельная теорема и закон больших чисел

3 ступень. Машинное обучение, Deep Learning и нейронные сети

• Машинное обучение:
  • Регрессионный анализ. Линейная, полиномиальная и логарифмическая регрессия
  • Оценка точности модели, переобучение, регуляризация
  • Классификация: логистическая регрессия и SVM
  • Проблема качества данных
  • Функции потерь и оптимизация
  • Работа с пропусками и переменными
• Рекомендательные системы:
  • Неперсонализированные рекомендательные системы
  • Collaborative Filtering
  • Сontent-based-рекомендации
  • Гибридные алгоритмы
• Временные ряды:
  • Знакомство с временными рядами
  • Сингулярный спектральный анализ
  • Элементарные методы анализа временных рядов
  • Случайные марковские процессы
  • Модели ARMA
  • Нейронные сети в анализе временных рядов
  • Модели авторегрессии условной гетероскедастичности
  • Поиск изменений во временном ряде
• Нейронные сети:
  • Введение в нейронные сети и библиотеку Keras
  • Введение в рекуррентные сети
  • Углубление в нейронные сети и библиотеку Keras
  • Автокодировщики
  • Введение в свёрточные нейронные сети
  • Введение в генеративно-состязательные сети
• Компьютерное зрение:
  • Выделение признаков и поиск похожих изображений
  • Задачи детекции и сегментации
  • Сегментация и детекция объектов
  • Рекуррентные нейронные сети в задачах компьютерного зрения (Image Captioning)
  • Свёрточные нейронные сети
  • Порождающие модели
  • Обучение свёрточной сети на практике
• Обработка естественного языка:
  • Введение в автоматическую обработку текста
  • Тематическое моделирование
  • Структура слова. Морфология
  • Информационный поиск
  • Синтаксический анализ
  • Классификация в АОТ
  • Дистрибутивная семантика
  • Языковые модели
  • Извлечение ключевых слов
  • Извлечение информации
  • Словари. Подкрепление знаний
• Deep Learning (Курсовой проект):
  • Регрессия и персептрон
  • Внимание: Dense Attention и Beam search
  • Многослойная нейронная сеть: регуляризация, градиентный спуск, ускорение обучения
  • Компьютерное зрение: SSD, Region Based CNN, Faster R-CNN, Masked R-CNN, UNet, перенос стиля и FCN
  • Свёрточные сети: свёрточные архитектуры, многомерные свертки, сегментация
  • Работа с текстом: языковые модели, Embeddings, Word2Wec, FastText, NER, Transformer, BERT и Elmo
  • Рекуррентные сети: RNN, GRU и LSTM, Encoder-Decoder архитектура
  • GAN'ы: дискриминатор, генератор, продвинутые архитектуры

4 ступень. Soft Skills и управление проектами

• Менеджмент data-проектов:
  • Требования в data-проектах
  • Разработка отчётов по исследованию
  • Методология ведения data-проектов
  • Сохранение результатов эксперимента
• Эффективные коммуникации:
  • Коммуникации: синхронизация картины мира
  • Эмоциональный интеллект в переговорах
  • Коммуникации: искусство убеждения и структура аргумента
  • Тренды в тестировании: за какими ресурсами следить
  • Эмоциональный интеллект в коммуникациях: этапы развития, распознавание и управление своими и чужими эмоциями
  • Резюме, сопроводительное письмо, портфолио
• Взаимодействие в команде:
  • Как укрепить свой авторитет и позиции на работе
  • Налаживание вертикальных и горизонтальных связей в коллективе
  • Коммуникации на удалёнке и деловая переписка
• Публичные выступления:
  • Как презентовать идею или отчёт
  • Подготовка презентации к публичному выступлению
  • Как начать получать удовольствие от выступлений и перестать их бояться
• Финальный хакатон и Kaggle Competitions:
  В составе мини-команды за ограниченное время и на основе датасетов крупных игроков рынка вам придётся решать задачи по прогнозированию продаж или оптимизации производства, задействуя все знания и навыки, полученные на курсе.
  Интеграция и использование machine learning решений в бизнесе, как правило, подразумевает командную игру, поэтому хакатон полезен ещё и как тренировка необходимых soft skills.
  Итоговый проект — реальный кейс от Dodo Brands
  В рамках дипломного проекта вы сможете построить ML-модель для решения своих текущих профессиональных задач: это может быть система прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста и т. д.
  Если у вас нет идей для своего проекта (или доступа к необходимым данным), мы предложим вам учебный кейс в интересной вам области на основе реального датасета других компаний.
  Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе.