Курс Data Science / Machine Learning Fundamentals
Навчіться обробляти й аналізувати дані
У світі існує величезна кількість інформації. Аби мати користь від цих даних, їх потрібно впорядкувати та проаналізувати. Data Science вивчає методи обробки даних, а також статистичні методи й методи проектування та розробки баз даних. На основі отриманої інформації створюються нейронні мережі та смарт-системи.
Data Science вважається перспективним, затребуваним і високооплачуваним напрямком. Принадності додається й від того факту, що необов’язково бути програмістом, аби будувати кар’єру в галузі роботи з даними: зазвичай Data Scientist зацікавлює математиків та аналітиків.
- Теорії без практики
- Застарілих механік роботи
- Переказу чужих лекцій і книг
- Питань без відповіді
Це буде захоплююче та ефективно!
- Вступ в Data Science і Machine Learning
- Базові поняття Big Data, Business Intelligence, Data Mining, Data Science, Machine Learning, Artificial Intelligence
- Історія розвитку Data Science, сучасні перспективи
- Хто такий Data Scientist, навички. Питання на співбесіді.
- Огляд процесу Data Science проекту
- Сценарії використання і застосування ML в сучасному світі
- Огляд успішних проектів по Big Data і Machine Learning
- Планування і підготовка роботи
- Історичний огляд методологій ведення Data Science рішень
- Детальний огляд сучасного Data Science процесу і його етапів
- Команда і ролі фахівців в проектах Data Science
- Огляд популярних фреймворків і інструментів для Data Science рішень
- Workshop 1: Етап Business Understanding
- Основи роботи з системою контролю версій
- Завантаження вихідних даних для аналізу в систему (ETL)
- Data cleansing and transformation
- Data Sampling and Quantization
- Workshop 2: Підготовка даних для проекту
- Підходи та методики для візуалізації даних
- Практика: Візуалізація даних за допомогою Power BI і R
- Теоретичний огляд проблеми та основних методів
- Введення в штучні нейронні мережі для вирішення різних завдань
- Процес створення реальних програмних моделей для прогнозування і класифікації
- Оцінка точності навчених моделей, вибір кращої
- Workshop 3: Створення моделей прогнозування та класифікації
- Теоретичний огляд проблеми та основних методів
- Процес створення реальних програмних моделей для кластеризації, рекомендаційних алгоритмів
- Оцінка точності навчених моделей, вибір кращої
- Введення в обробку природної мови
- Workshop 4: Створення моделей кластеризації і рекомендаційних моделей
- Часові ряди і прогнозування подій
- Імплементація моделей машинного навчання для подальшого використання
- Обговорення результатів виконання домашніх завдань
- Приклади архітектур повноцінного проекту
- Workshop 5: Імплементація моделей машинного навчання
- Підведення підсумків курсу, презентація проектів
- Рекомендовані матеріали і кроки для подальшого вивчення
- Навчання в форматі перегляду стріму або запису занять
- Особистий кабінет з доступом до матеріалів курсу
- Допомога ментора курсу
- Актуальну програму навчання



