Data Science: аналитика + машинное обучение

Познакомьтесь с основами Data Science, узнайте о ключевых направлениях и областях применения. Вы изучите базовые термины и процессы, которые составляют основу работы с данными.

Python, Jupyter Notebook

Изучите системы контроля версий и научитесь работать с локальными и удалёнными репозиториями. Вы освоите базовые и продвинутые возможности Git и узнаете, как применять системы версификации в командной работе.

Deep learning, Machine learning, Prompt Engineering, Image and Video Detection, LSTM

Получите базовые навыки программирования на Python. Узнайте о структуре программ, модулях и библиотеках. Научитесь работать с различными форматами данных и создавать простые приложения.

Python, Decimal, Datetime, JSON

Закрепите умение работать в рамках функционального подхода к программированию. Отработайте навыки проектирования функций для получения, обработки и сохранения данных. Темы проекта: адресная книга, текстовая поисковая система, викторина, крестики-нолики.

Изучите основы работы с реляционными и нереляционными базами данных. Научитесь извлекать и обрабатывать данные с использованием SQL и NoSQL. Освойте инструменты для работы с большими объёмами данных.

Python, Decimal, Datetime, JSON

Научитесь использовать специализированные библиотеки Python для анализа и визуализации данных. Вы освоите инструменты, которые позволяют решать сложные аналитические задачи и визуализировать результаты.

NumPy, Pandas, Matplotlib

Закрепите навыки работы со специализированными пакетами посредством формирования структурированного набора данных из исходников. Вариативные наборы исходных данных: текстовые данные, числовые данные, временные данные.

Научитесь находить и собирать данные из различных источников для последующего анализа. Вы узнаете о типах источников данных и научитесь оценивать их качество и релевантность.

Python, Open Data, API

Закрепите полученные в рамках модуля знания в ходе решения составной задачи анализа данных. Для задач используются данные из различных прикладных сфер. Используя навыки из текущего и предыдущих модулей выполните все необходимые шаги для подготовки данных к анализу, проведения анализа и интерпретации полученных результатов. Темы: корреляция временных рядов, проверка статистической гипотезы.

Освойте основные концепции теории вероятности и статистики, которые необходимы для анализа данных. Научитесь использовать инструменты для обработки случайных данных и создания моделей вероятности.

Инструменты / Технологии: Stattools, SciPy

Выберите наиболее подходящую модель для решения выбранной задачи. Выполните анализ прикрепленного к задаче набора данных. Обучите и протестируйте модель. Оцените эффективность модели с помощью технических метрик. Темы: определение положительного диагноза по диабету, оценка эффективности преподавателей, классификация пациентов по состоянию после операции.

Познакомьтесь с основными этапами разработки моделей машинного обучения. Научитесь решать базовые задачи с помощью простых моделей и библиотек для машинного обучения.

Scikit-learn, MLflow

Самостоятельно соберите набор данных из открытых источников. Выполните полный цикл предподготовки полученного набора. Темы: на выбор студента.

Изучите процессы сбора, очистки и подготовки данных для последующего анализа и машинного обучения. Научитесь работать с инструментами для автоматизации этих процессов.
На этом модуле вы занимаетесь один раз в неделю из-за его сложности.

CVAT, Apache Airflow

Выберите наиболее подходящую модель для решения выбранной задачи. Выполните анализ прикрепленного к задаче набора данных. Настройте автоматический цикл обучения, тестирования, оценки и корректировки гиперпараметров модели. Оцените итоговую эффективность модели с помощью технических метрик. Темы: классификация дефектов в стальных пластинах, прогноз ухода сотрудника из организации.

Изучите продвинутые модели машинного обучения, такие как нейронные сети и ансамблевые модели. Вы освоите концепции глубокого обучения и методы повышения качества моделей.

Инструменты / Технологии: PyTorch, TensorFlow

Научитесь отслеживать ключевые метрики работы моделей и визуализировать результаты анализа данных. Освойте инструменты мониторинга для оценки эффективности работы моделей.

Yandex DataLens, Apache Superset

Изучите концепции создания рекомендательных систем. Разработайте собственный проект рекомендательной системы, используя доступные API и библиотеки.
На этом модуле вы занимаетесь один раз в неделю из-за его сложности.

API Кинопоиска, Python

Самостоятельно выберите модель и реализуйте решение задачи, связанной с анализом текстов. Темы: система классификации внутренних документов организации, смысловое сравнение однотипных документов.

Изучите методы обработки естественного языка (NLP). Научитесь анализировать тексты, извлекать из них данные и применять эти знания в бизнес-задачах.

SpaCy, Pymorphy, NLTK

Разработаете итоговый проект, применяя все полученные знания и навыки. Проект может включать анализ данных, создание моделей или разработку приложений, решающих реальные бизнес-задачи.

Студент выбирает самостоятельно