Kurss “Datu zinātnes speciālists” - kurss 112 000 rubļu. no Yandex darbnīcas, apmācība 8 mēneši, datums 2023. gada 30. novembris.

Pabeigt kursa programmu datu zinātnē
Mēs to regulāri atjauninām, lai nodrošinātu, ka tas atbilst nozares un darba devēju vajadzībām. Citiem vārdiem sakot, jūs mācāties tikai to, kas noteikti noderēs jūsu darbā.

Python un datu analīzes pamati: bezmaksas ievadkurss:

Uzziniet datu analīzes pamatjēdzienus un izprotiet, ko dara datu analītiķi un datu zinātnieki. Atrisiniet piecus gadījumus, kā strādāt ar datiem no dažādām jomām:
- noskaidrot sīkrīku masveida bojājuma iemeslu,
- pārbaudīt mobilo lietojumprogrammu reklāmas atmaksāšanos,
- atrast labāko vietu jaunam veikalam,
- palīdzēt izvēlēties attīstības stratēģiju AI startam,
- novērtēt robotu efektivitāti atbalsta dienestā.

Risinot gadījumus, jūs apgūsiet Python un pandas bibliotēkas pamatus, uzzināsiet, kā izveidot dažus grafikus un pareizi tos interpretēt.

Ievads profesijā “Datu zinātnes speciālists”

Kas ir datu zinātnes speciālists?
Kā mēs mācām.

Pamata Python:
Iedziļinieties Python programmēšanas valodā un pandas bibliotēkā.

+1 projekts portfolio
Salīdziniet Yandex lietotāja datus. Mūzika pēc pilsētas un nedēļas dienas.

Datu priekšapstrāde:
Uzziniet, kā attīrīt datus no novirzēm, izlaidumiem un dublikātiem, kā arī konvertēt dažādus datu formātus.

+1 projekts portfolio
Analizēt datus par bankas klientiem un noteikt kredītspējīgo klientu īpatsvaru.

Izpētes datu analīze:
Apgūstiet varbūtības un statistikas pamatus. Izmantojiet tos, lai izpētītu datu pamatīpašības, meklējot modeļus, sadalījumus un anomālijas. Iepazīstieties ar scipy un matplotlib bibliotēkām. Zīmējiet diagrammas un praktizējiet grafiku analīzi.

+1 projekts portfolio
Izpētiet sludinājumu arhīvu par nekustamā īpašuma pārdošanu Sanktpēterburgā un Ļeņingradas apgabalā.

Varbūtību teorija. Papildu kurss
Atcerieties vai atpazīstiet varbūtības teorijas pamatjēdzienus: neatkarīgi, pretēji, nesaderīgi notikumi utt. Izmantojot vienkāršus piemērus un jautras problēmas, jūs praktizēsiet darbu ar skaitļiem un risinājumu loģikas veidošanu.
Šis ir izvēles sprints. Tas nozīmē, ka katrs students pats izvēlas vienu no iespējām:

• Apmeklējiet desmit īsu stundu papildu kursu, papildiniet teoriju un risiniet problēmas.
• Atveriet tikai bloku ar intervijas uzdevumiem, atcerieties praksi bez teorijas.
• Pilnībā izlaidiet kursu vai atgriezieties pie tā, kad ir laiks un nepieciešamība.

Pirmā moduļa noslēguma projekts
Uzziniet, kā veikt sākotnējo datu izpēti un formulēt un pārbaudīt hipotēzes.

+1 projekts portfolio
Atrodiet modeļus, kas nosaka spēles panākumus.

Ievads mašīnmācībā:
Apgūstiet mašīnmācības pamatjēdzienus. Iepazīstiet Scikit-Learn bibliotēku un izmantojiet to, lai izveidotu savu pirmo mašīnmācīšanās projektu.

+1 projekts portfolio
Izstrādāt tarifu ieteikumu sistēmu mobilo sakaru operatoram.

Apmācība ar apmācību:
Iedziļinieties mašīnmācības karstākajā jomā: uzraudzītā mācībā. Uzziniet, kā rīkoties ar nelīdzsvarotiem datiem.

+1 projekts portfolio
Paredziet iespējamību, ka klients pametīs banku.

Mašīnmācība biznesā:
Uzziniet, kā mašīnmācība (saīs. MO) palīdz uzņēmumam apkopot datus un kā produktu metrika ir saistīta ar MO metriku. Uzziniet, kā palaist jaunu pakalpojuma funkcionalitāti, izmantojot ML. Uzziniet, kas ir uzņēmējdarbības rādītāji, KPI un A/B testēšana.

+1 projekts portfolio
Apmāciet modeli, kas palīdz noteikt jaunu vietu naftas ieguvei ar vismazāko zaudējumu risku.

Otrā moduļa gala projekts:
Sagatavojiet datus mašīnmācībai. Izmantojot modeli, novērtējiet tā kvalitāti.

+1 projekts portfolio
Simulējiet zelta rūdas kausēšanas procesu, lai uzlabotu uzņēmuma darbību.

Lineārā algebra:
Apskatiet dažus līdz šim apgūtos algoritmus un iegūstiet labāku izpratni par to lietošanu. Praksē apgūstiet galvenos lineārās algebras jēdzienus no nulles: lineārās telpas, lineārie operatori, Eiklīda telpas.

+1 projekts portfolio
Izmantojiet datu konvertēšanas metodi, lai aizsargātu apdrošināšanas sabiedrības klientu personisko informāciju.

Skaitliskās metodes:
Jūs analizēsiet vairākus algoritmus un pielāgosiet tos praktisku problēmu risināšanai, izmantojot skaitliskās metodes. Apgūstiet aptuvenos aprēķinus, algoritmu sarežģītības aprēķinus un gradienta nolaišanos. Uzziniet, kā tiek apmācīti neironu tīkli un kas ir gradienta pastiprināšana.

+1 projekts portfolio
Izstrādājiet modeli, lai noteiktu lietotas automašīnas izmaksas.

Laika rindas:
Laika rindas apraksta, kā laika gaitā mainās parametri, piemēram, elektroenerģijas patēriņš vai taksometru pasūtījumu skaits. Jūs iemācīsities analizēt sērijas, meklēt tendences un identificēt sezonalitāti. Uzziniet, kā izveidot tabulas datus un laikrindas regresijas problēmu.

+1 projekts portfolio
Izveidojiet modeli un prognozējiet maksimālo taksometru slodzi.

Mašīnmācīšanās tekstiem:
Iemācieties no tekstiem veidot skaitliskus vektorus un risināt tiem klasifikācijas un regresijas uzdevumus. Uzziniet, kā tiek aprēķināti TF-IDF līdzekļi, un iepazīstieties ar word2vec un BERT valodu attēlojumiem.

+1 projekts portfolio
Paātriniet komentāru regulēšanu savā kopienā, automatizējot toksicitātes novērtējumus.

Pamata SQL:
Apgūstiet SQL vaicājumu valodas un relāciju algebras pamatus darbam ar datu bāzēm. Iepazīstieties ar iespējām strādāt populārajā datu bāzes pārvaldības sistēmā PostgreSQL (saīsināts. DBVS). Iemācieties rakstīt dažādas sarežģītības pakāpes vaicājumus un pārvērst biznesa problēmas SQL.
Jūs strādāsit ar tiešsaistes veikala datu bāzi, kas specializējas filmās un mūzikā.

+1 projekts portfolio
Uzrakstiet dažādas sarežģītības vaicājumu sēriju datu bāzē, kurā tiek glabāti dati par riska investoriem, jaunizveidotiem uzņēmumiem un ieguldījumiem tajos.

Datorredze:
Iemācieties atrisināt vienkāršas datorredzes problēmas, izmantojot gatavus neironu tīklus un Keras bibliotēku. Iepazīstieties ar dziļo mācīšanos.

+1 projekts portfolio
Izveidojiet modeli, lai pēc fotogrāfijas noteiktu aptuveno cilvēka vecumu.

Bez uzraudzības mācības:
Nepārraudzīta mācīšanās ir viena no mašīnmācīšanās metodēm, kurā sistēma atrisina problēmu bez iepriekš marķētiem datiem, pamatojoties uz to iezīmēm un struktūru. Uzziniet par klasterizācijas un anomāliju noteikšanas problēmām.

Izlaiduma projekts:
Pēdējā projektā apstipriniet, ka esat apguvis jaunu profesiju. Noskaidrojiet klienta uzdevumu un izejiet visus datu analīzes un mašīnmācīšanās posmus. Tagad nav ne nodarbību, ne mājasdarbu – viss kā īstā darbā.

+1 projekts portfolio
Projekts, no kura izvēlēties:
- Izveidojiet modeli, kas paredz telekomunikāciju uzņēmuma klientu samazināšanos.
- Izveidot modeli, kas prognozē tehnoloģiskā procesa parametrus metalurģijas rūpnīcā.