Курс Data Science / Machine Learning Fundamentals
Научитесь обрабатывать и анализировать данные
Каждый день серверы собирают миллионы байтов информации. А мы используем методы Data Science, чтобы систематизировать и проанализировать данные, и как следствие, извлечь пользу из них. Здесь нам помогут статистические методы и инструменты создания баз данных, на фундаменте которых генерируются нейронные сети и смарт-системы.
Data Science — одно из самых перспективных направлений, которое, кроме всего прочего, не требует знаний в программировании. Обычно работу с данными выбирают люди, интересующиеся математикой и аналитикой.
- Теории без практики
- Устаревших механик работы
- Пересказа чужих лекций и книг
- Вопросов без ответа
Это будет увлекательно и эффективно!
- Базовые понятия Big Data, Business Intelligence, Data Mining, Data Science, Machine Learning, Artificial Intelligence
- История развития Data Science, современные перспективы
- Кто такой Data Scientist, навыки. Вопросы на собеседовании.
- Обзор процесса Data Science проекта
- Сценарии использования и применения ML в современном мире
- Обзор успешных проектов по Big Data и Machine Learning
- Планирование и подготовка работы
- Исторический обзор методологий ведения Data Science решений
- Детальный обзор современного Data Science процесса и его этапов
- Команда и роли специалистов в проектах Data Science
- Обзор популярных фреймворков и инструментов для Data Science решений
- Workshop 1: Этап Business Understanding
- Основы работы с системой контроля версий
- Загрузка исходных данных для анализа в систему (ETL)
- Data cleansing and transformation
- Data Sampling and Quantization
- Workshop 2: Подготовка данных для проекта
- Подходы и методики для визуализации данных
- Практика: Визуализация данных с помощью Power BI и R
- Теоретический обзор проблемы и основных методов
- Введение в искусственные нейронные сети для решения различных задач
- Процесс создания реальных программных моделей для прогнозирования и классификации
- Оценка точности обученных моделей, выбор лучшей
- Workshop 3: Создание моделей прогнозирования и классификации
- Теоретический обзор проблемы и основных методов
- Процесс создания реальных программных моделей для кластеризации, рекомендационных алгоритмов
- Оценка точности обученных моделей, выбор лучшей
- Введение в обработку естественного языка
- Workshop 4: Создание моделей кластеризации и рекомендационных моделей
- Временные ряды и прогнозирование событий
- Имплементация моделей машинного обучения для дальнейшего использования
- Обсуждение результатов выполнения домашних заданий
- Примеры архитектур полноценного проекта
- Workshop 5: Имплементация моделей машинного обучения
- Подведение итогов курса, презентация проектов
- Рекомендуемые материалы и шаги для дальнейшего изучения
- Обучение в формате просмотра стрима или записи занятий
- Личный кабинет с доступом к материалам курса
- Помощь ментора курса
- Актуальную программу обучения