0
nézetek
Data Science vezetőknek - tanfolyam 60 000 dörzsölje. HSE-től, képzés 2 nap, Időpont: 2023. június 17.
Vegyes Cikkek / / November 30, 2023
A további szakmai képzési programok gyakorlatorientáltak, és rövidebb idő alatt (több héttől két évig) lehetővé teszik a fejlődést. új szakmát sajátítson el, jelenlegi szakmai és vezetői kompetenciákat sajátítson el, vagy bővítse ismereteit egy adott tárgyban területeken.
További szakmai programok elsajátítására a következők engedélyezettek:
- Középfokú szakképzéssel és (vagy) felsőfokú végzettséggel rendelkező személyek;
- Középfokú szakképzésben és (vagy) felsőoktatásban részesülő személyek.
Tanulási célok
1 Lépjen a szakmai fejlődés új szintjére
2 Megfelelni a piac és a társadalmi környezet gyorsan változó igényeinek
3. Legyen sikeres üzletvezető
4 Oktatási igények kielégítése a közgazdaságtan, a tudomány, a kultúra és a művészet különböző területein
Továbbképzési programok
Haladó képzési programok
Szakmai színvonal emelése a meglévő képesítések keretein belül és (vagy) a szakmai tevékenységhez szükséges új kompetenciák fejlesztése és (vagy) megszerzése
- 16 akadémiai órától
- Továbbképzési bizonyítvány
- Felső- vagy középfokú szakképzéssel rendelkező (vagy befejező) személyek számára
Szakmai átképzési programok
Új típusú szakmai tevékenység végzéséhez szükséges kompetenciák megszerzése
- 250 akadémiai órától
- Szakmai átképzési oklevél, új szakmai tevékenység végzésének jogával
- Felső- vagy középfokú szakképzéssel rendelkező (vagy befejező) személyek számára
Szakmai átképzési programok további képesítések megszerzéséhez
- Felső- vagy középfokú szakirányú végzettséggel és legalább 3 éves vezetői munkatapasztalattal rendelkező vagy kapó személyek számára
Szakmai átképzési programok további képesítés megszerzésére a menedzsment területén „Master of Business Administration” (MBA - Master of Business Administration)", beleértve a felsővezetőket (EMBA - Executive Master of Business Administration)
- 2040 akadémiai órától
- Szakmai átképzési oklevél, „Master of Business Administration” kiegészítő végzettséggel
Szakmai átképzési programok egy adott területen további képesítések megszerzésére szakmai terület "Master in...", beleértve a felsővezetőket (Executive Master ban ben…)
- 2040 akadémiai órától
- Szakmai átképzési oklevél, további végzettséggel
A... programok doktora
Szakmai átképzési programok a szakmai végzettség megszerzésére, különösen a doktori fokozat megszerzésére üzleti adminisztráció (DBA - Doctor of Business Administration), Doctor of Law (Doctor of Law), Doctor of Education (Doctor of Education) és mások fokon
- 2040 akadémiai órától
- Szakmai átképzési oklevél, szakmai végzettség adományozása
- Felsőfokú szakmai végzettséggel és legalább 5 év vezetői munkatapasztalattal rendelkező személyeknek
Mester beosztás: Számítástechnikai Kar Továbbképzési Központ szakértője.
2017-ben kezdett dolgozni a Közgazdasági Főiskolán. Tanfolyamokat tart a gépi tanulásról a marketingben és az adattudományba való bevezetésről. Szakmai érdeklődési köre: gépi tanulás Bioinformatikában bioinformatikai adatelemzés a biológiában Oktatás 2018 Mesterképzés: Országos Kutatás Egyetem "Közgazdaságtudományi Felsőiskola", "Alkalmazott Matematika és Informatika" szak 2015 Bachelor diploma: Nemzeti Kutatóegyetem "Felsőiskola" Közgazdaságtan", "Alkalmazott matematika és számítástechnika" szakterület Szakmai tapasztalat 2020 - jelen: Lead Data Scientist, X5 Retail Group 2019 - 2020: Big Data Team vezetője, Azbuka Vkusa 2019 - 2019: a big data elemzésért felelős felsővezető, X5 Retail Group 2018 - jelen: a Számítástechnikai Kar Továbbképzési Központjának tanára 2017 - jelen: vendégoktató a Big Data és Információkeresés Tanszéken 2016 - 2016: junior elemző, projektmenedzser, IIDF 2014 - 2015: junior Termékmenedzser, Alfa-Bank.
Beosztás: egyetemi docens, Számítástechnikai Kar, Big Data és Információkeresés Tanszék.
2013-ban diplomázott a Moszkvai Állami Egyetem Számítógépes Matematikai és Kibernetikai Karán. 2016-ban kezdett dolgozni a Közgazdasági Főiskolán. Tanfolyamokat tart: Bevezetés az adatelemzésbe, Bevezetés a gépi tanulásba és Alkalmazott adattudomány.
tanszékvezető-helyettes, egyetemi docens, Számítástechnikai Kar, Big Data és Információkeresés Tanszék; projektmenedzser, tudományos felügyelő, Számítástechnikai Kar, Továbbképzési Központ; Laboratóriumvezető, Számítástudományi Kar, Big Data és Információkeresés Tanszék, Pénzügyi Technológiák Adatelemzési Kutatólaboratóriuma; Az "Alkalmazott matematika és számítástechnika" oktatási program akadémiai igazgatója.
Szakmai érdeklődési kör: adatelemzés, gépi tanulás, elemzés és automatikus szövegfeldolgozás Oktatás 2013 Szakterület: Moszkvai Állami Egyetem. M.V. Lomonoszov, "Alkalmazott matematika és számítástechnika" szakterület Szakmai tapasztalat Bioclinicum, Forecsys, Ozone cégeknél dolgozott. 2014 óta a Yandexnél dolgozik. 2016 óta a Nemzeti Kutatóegyetem Közgazdaságtudományi Főiskola Számítástechnika Karán dolgozik, ahol „Intellektuális” szakon tanít. adatelemzés”, gépi tanulással foglalkozó tanfolyamot dolgozott ki és oktat az „Alkalmazott matematika és Informatika". 2019 óta az „Alkalmazott matematika és informatika” program akadémiai igazgatója. Díjak és eredmények Legjobb tanár – 2019, 2018, 2017
Analitikai sablonok
A kurzus fő célja egy alkalmazás fogalmi modelljének felépítésének technikáinak vizsgálata a felhasználás alapján sablonok, valamint az objektumorientált keretein belül készült fejlesztések újrafelhasználásának lehetősége elemzés. A kurzus gyakorlati útmutatást ad egy koncepcionális modell UML-reprezentációjának felépítéséhez, és a koncepcionális modell további tervvé alakításához.
4,2
Adattudomány Gleb Mihajlovval
🏆Stepik Awards 2022 nyertese az „Év áttörése” kategóriában🏆 Gyakorlati videós tanfolyam az adattudomány alapjairól. Nincs matematika, nincs elmélet, csak példák valós problémák megoldására pandák és CatBoost segítségével. Ingyenesen elérhető a pitonról és pandáról szóló tanfolyam bevezető része adatelemzéshez!🔥
4
Python Libraries for Data Science
A kurzus megismerteti a hallgatókat az adattudomány alapfogalmaival. Megvizsgáljuk az alapvető algoritmusokat (lineáris modellek, döntési fák, KNN, kompozíciók), és elemezzük az adatok előkészítését (tisztítás, új funkciók generálása és kiválasztása). A megszerzett tudás sokféle probléma megoldásához elegendő lesz.
4
Iratkozz Fel
YOU MIGHT ALSO LIKE