Data Scientist a semmitől a PRO-ig - tanfolyam 233 640 RUB. a SkillFactory-ból, képzés 24 hónap, dátum: 2023. augusztus 15.

BÁZIS

Ebben a szakaszban megtanulja a programozás alapjait a Pythonban, megtanulja az adatok előfeldolgozását és elemzését, valamint megismeri az adattudós főbb feladatait.

Bevezetés - 1 hét

Képes leszel valódi tanulási célokat megfogalmazni magadnak, megtudhatod, mi a DS értéke az üzleti életben, ismerkedjen meg az adattudós fő feladataival és megértse, hogyan fejlődik bármely DS projekt.
BEVEZETÉS-1. Hogyan tanuljunk hatékonyan – beépítés a képzésbe
INTRO-2. Szakma áttekintése. Az adattudományi problémák típusai. A Data Science projekt kidolgozásának szakaszai és megközelítései

Fejlesztési tervezés - 5 hét

Megtanul dolgozni az alapvető adattípusokkal a Python használatával, és képes lesz ciklusos konstrukciók, feltételes utasítások és függvények használatára a mindennapi munkában.
PYTHON-1. Python alapjai
PYTHON-2. Búvárkodás az adattípusokba
PYTHON-3. Feltételes kijelentések
PYTHON-4. Ciklusok
PYTHON-5. Funkciók és funkcionális programozás
PYTHON-6. Gyakorlat
PYTHON-7. Python stílus útmutató (bónusz)

Matematika alapismeretek - 7 hét

MATH-1. Számok és kifejezések
MATH-2. Egyenletek és egyenlőtlenségek
MATH-3. Függvényelméleti alapfogalmak
MATH-4. Geometria alapjai: planimetria, trigonometria és sztereometria
MATH-5. A statisztika halmazai, logikája és elemei
MATH-6. Kombinatorika és a valószínűségszámítás alapjai
MATH-7. Problémamegoldás

Adatokkal való munka - 8 hét 

Ebben a szakaszban elsajátítja az alapvető adatkezelési készségeket: hogyan kell adatokat előkészíteni, tisztítani és átalakítani, hogy azok elemzésre alkalmasak legyenek. Ha már az elemzésről beszélünk: az adatokat a népszerű Matplotlib, Seaborn, Plotly könyvtárak segítségével fogja elemezni.

PYTHON-8. Data Science Tools
PYTHON-9. NumPy könyvtár
PYTHON-10. Bevezetés a pandákba
PYTHON-11. Alapvető technikák az adatokkal való munkavégzéshez Pandában
PYTHON-12. Speciális adattechnikák a Pandákban
PYTHON-13. Adattisztítás
PYTHON-14. Adatvizualizáció
PYTHON-15. Az OOP alapelvei a Pythonban és a hibakeresési kódban (opcionális modul)
1. projekt. Adatkészlet-elemzés lezárt kérdésekben

Adatbetöltés - 6 hét

Különböző formátumokból és forrásokból tölthet le adatokat. Az SQL, egy strukturált lekérdezési nyelv pedig ebben segít. Megtanulja használni az összesítő függvényeket, a tábla-illesztéseket és az összetett összekapcsolásokat.
PYTHON-16. Hogyan töltsünk le adatokat különböző formátumú fájlokból
PYTHON-17. Adatok lekérése webes forrásokból és API-kból
SQL-0. Szia SQL!
SQL-1. SQL alapok
SQL-2. Összesített függvények
SQL-3. Összekötő asztalok
SQL-4. Komplex csatlakozások
2. projekt. Új adatok betöltése. Az elemzés finomítása

Statisztikai adatelemzés - 7 hét 

Az Intelligence Data Analysis (EDA) az, amelyre összpontosít. Megismerheti az ilyen elemzés minden szakaszát, és megtanulhatja, hogyan végezze el a Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas könyvtárak használatával. Ezen kívül dolgozhat a Kaggle-n, a versenyeken való részvétel népszerű szolgáltatásán.
EDA-1. Bevezetés a hírszerzési adatok elemzésébe. EDA algoritmusok és módszerek
EDA-2. Matematikai statisztika az EDA összefüggésében. Jellemzők típusai
EDA-3. Feature Engineering
EDA-4. Statisztikai adatelemzés Pythonban
EDA-5. Statisztikai adatelemzés Pythonban. 2. rész
EDA-6. Kísérletek tervezése
EDA-7. Kaggle platform
2. projekt

Bevezetés a gépi tanulásba – 9 hét

Megismerheti az adatfüggőségek modellezésére szolgáló ML könyvtárakat. Képes lesz az ML modellek főbb típusainak betanítására, érvényesítés elvégzésére, a munka eredményeinek értelmezésére és a fontos jellemzők kiválasztására (funkció fontossága).
ML-1. Gépi tanulás elmélet
ML-2. Felügyelt tanulás: Regresszió
ML-3. Felügyelt tanulás: Osztályozás
ML-4. Felügyelet nélküli tanulás: Klaszterezési és dimenziócsökkentési technikák
ML-5. Adatellenőrzés és modellértékelés
ML-6. A tulajdonságok kiválasztása és kiválasztása
ML-7. Modell hiperparaméterek optimalizálása
ML-8. ML Szakácskönyv
3. projekt. Osztályozási probléma

FŐ EGYSÉG

Lineáris algebra, matematikai elemzés, diszkrét matematika – ijesztően hangzik, de ne félj: elemezzük ezeket a tantárgyakat, és megtanítjuk, hogyan kell velük dolgozni! A második szakaszban elmerülhet a matematikában és a gépi tanulás alapjaiban, többet megtudhat a DS-szakmákról, és pályaválasztási tanácsadáson keresztül kiválaszthat egy második évfolyamot.

Matematika és gépi tanulás. 1. rész - 6 hét

Képes lesz gyakorlati feladatok megoldására kézi számítással és Pythonnal (vektor- és mátrixszámítás, halmazokkal való munka, függvénytanulmányozás differenciálanalízissel).
MATH&ML-1. Lineáris algebra a lineáris módszerek összefüggésében. 1. rész
MATH&ML-2. Lineáris algebra a lineáris módszerek összefüggésében. 2. rész
MATH&ML-3. Matematikai elemzés egy optimalizálási probléma összefüggésében 1. rész
MATH&ML-4. Matematikai elemzés egy optimalizálási probléma kontextusában. 2. rész
MATH&ML-5. Matematikai elemzés egy optimalizálási probléma kontextusában. 3. rész
4. projekt. Regressziós probléma

Matematika és gépi tanulás. 2. rész - 6 hét

Megismerheti a valószínűségszámítás és a matematikai statisztika alapfogalmait, algoritmusait klaszterezés, valamint megtanulják értékelni a klaszterezés minőségét, és bemutatni az eredményeket grafikus forma.
MATH&ML-6. Valószínűségelmélet egy naiv Bayes-osztályozóval összefüggésben
MATH&ML-7. Döntési fákon alapuló algoritmusok
MATH&ML-8. Boosting & Stacking
MATH&ML-9. Klaszterezési és dimenziócsökkentési technikák. 1. rész
MATH&ML-10. Klaszterezési és dimenziócsökkentési technikák. 2. rész
5. projekt. Együttes módszerek

Diszkrét matematika - 4 hét

MATH&MGU-1 Készletek és kombinatorika
MATH&MGU-2 logika
MATH&MGU-3 Grafikonok. 1. rész
MATH&MGU-4 Grafikonok. 2. rész

ML az üzleti életben - 8 hét

Megtanulja az ML könyvtárak használatát idősoros problémák és ajánlórendszerek megoldására. Képes lesz egy ML modell betanítására és validálására, valamint működő prototípus létrehozására és a modell futtatására a webes felületen. Ezenkívül szerezzen A/B tesztelési ismereteket, hogy értékelhesse a modellt.
MATH&ML-11. Idősorok. 1. rész
MATH&ML-12. Idősorok. 2. rész
MATH&ML-13. Ajánló rendszerek. 1. rész
MATH&ML-14. Ajánló rendszerek. 2. rész
TERMÉK-1. A modell előkészítése a gyártásra
TERMÉK-2. Prototype Streamlit+Heroku
PROD-3. Üzleti megértés. Ügy
6. projekt. Választható téma: Idősorok vagy Recommender rendszerek

PRO SZINT

A harmadik szakaszban megismerkedhet az egyik gépi tanulási módszerrel - a mély tanulással (DL). És a választott szakterület teljes értékű blokkja is várja Önt: elsajátíthatja a gépi tanulási készségeket (ML), ismerkedjen meg a CV (számítógépes látás) rutinjával vagy fejlődjön az NLP*-ben, a természetes feldolgozásban nyelv.

Második tanulmányi év - 3 szakterület közül választhat

Pályaválasztási tanácsadás

ML, CV vagy NLP: ebben a szakaszban végre el kell döntened, melyik utat választod tovább. Az egyes szakterületekről elmondjuk, és több gyakorlati probléma megoldását is ajánljuk, hogy könnyebben dönthessen.

ML pálya - mérnök

Az ML pályán megtanulhatod, hogyan oldhatsz meg mélyreható gépi tanulási problémákat, sajátíthatod el az adatmérnök kompetenciáit, és csiszolhatod a Python könyvtárakkal kapcsolatos készségeidet. Azt is megtanulja, hogyan kell létrehozni egy MVP-t (a termék minimális életképes verziója), megtanulja az ML-modell gyártási kiadásának minden bonyolultságát, és megtanulja, hogyan dolgoznak az ML-mérnökök a való életben.
Bevezetés a mély tanulásba
Adatmérnöki alapismeretek
További Python és ML fejezetek
A hatások gazdasági értékelése és az MVP fejlesztés
ML a termeléshez
ML fejlesztési és érettségi projekt mélyreható tanulmányozása egy választott témában

Pálya önéletrajz - mérnök

Az önéletrajz pályán megtanulod megoldani a számítógépes látásproblémákat, mint például a képosztályozás, szegmentálás és észlelés, képgenerálás és stilizáció, restaurálás és minőségjavítás fényképeket. Ezen kívül megtanulja, hogyan lehet a neurális hálózatokat éles környezetben fejleszteni.
Bevezetés a mély tanulásba
Adatmérnöki alapismeretek
További Python és ML fejezetek
A hatások gazdasági értékelése és az MVP fejlesztés
ML a termeléshez
ML fejlesztési és érettségi projekt mélyreható tanulmányozása egy választott témában

Track NLP - mérnök

Az NLP pályán történő edzés során megtanulod, hogyan lehet megoldani a természetes nyelvi feldolgozás főbb problémáit, in ideértve az osztályozást, az összegzést és a szöveggenerálást, a gépi fordítást és a párbeszéd létrehozását rendszerek
Bevezetés a mély tanulásba
Neurális hálózati matematika az NLP-hez
Hardver és szoftver NLP problémák megoldásához
NLP feladatok és algoritmusok
Neurális hálózatok a gyártásban
NLP fejlesztési és érettségi projekt mélyreható tanulmányozása egy választott témában

Ha az önéletrajz vagy ML szakirányt választod, ingyenesen mentor támogatás nélkül is elvégezheted az NLP tanfolyamot.

Mély tanulás és neurális hálózatok

Hol használják a neurális hálózatokat? Hogyan lehet neurális hálózatot betanítani? Mi az a mélytanulás? Ezekre a kérdésekre a DL bónusz rovatában találja meg a választ.

Bevezetés az adatmérnökségbe

Megtudhatja, mi a különbség az adattudós és az adatmérnök szerepe között, milyen eszközöket használ az utóbbi a munkája során, és milyen feladatokat old meg napi szinten. A „hópehely”, „csillag” és „tó” szavak új jelentést kapnak :)