Специалист по Data Science

• Узнаете основные концепции анализа данных и поймёте, чем занимаются аналитики данных и специалисты по Data Science. Решите пять кейсов по работе с данными из разных областей.
• Выясните причину массовой поломки гаджетов.
• Проверите окупаемость рекламы мобильного приложения.
• Найдёте лучшее место для нового магазина.
• Поможете выбрать стратегию развития ИИ-стартапа,
• Оцените эффективность роботов в службе поддержки.

• Кто такой специалист по Data Science.
• Как мы учим.

• Переменные и типы данных. Вывод данных и арифметические операции.
• Строки.
• Списки.
• Цикл for.
• Вложенные списки.
• Условный оператор. Цикл while.
• Функции.
• Словари.
• Pandas для анализа данных.
• Предобработка данных.
• Анализ данных и оформление результатов.
• Jupyter Notebook — тетрадь в ячейку.

• Введение в предобработку данных.
• Работа с пропусками.
• Изменение типов данных.
• Поиск дубликатов.
• Категоризация данных.
• Системное и критическое мышление в работе аналитика.

• Введение в исследовательский анализ данных.
• Первые графики и выводы.
• Изучение срезов данных.
• Работа с несколькими источниками данных.
• Взаимосвязь данных.
• Валидация результатов.

• Введение в статистический анализ данных.
• Описательная статистика.
• Теория вероятностей.
• Проверка гипотез.

• Вспомните или узнаете базовые термины в теории вероятностей: независимые, противоположные, несовместные события и т. д.
• На простых примерах и забавных задачах потренируетесь работать с числами и выстраивать логику решения.

Научитесь предварительному исследованию данных, сформулируете и проверите гипотезы.

• Освоите основные концепции машинного обучения.
• Познакомитесь с библиотекой scikit-learn и примените её для создания первого проекта с машинным обучением.

• Введение в обучение с учителем.
• Подготовка признаков.
• Метрики классификации.
• Несбалансированная классификация.
• Метрики регрессии.
• Поведенческие алгоритмы.

• Введение в машинное обучение в бизнесе.
• Метрики бизнеса.
• Запуск новой функциональности.
• Сбор данных.
• Поведенческие алгоритмы.

• Подготовите данные для машинного обучения.
• С помощью модели оцените её качество.

• Введение в линейную алгебру.
• Векторы и векторные операции.
• Расстояние между векторами.
• Матрицы и матричные операции.
• Линейная регрессия изнутри.

• Введение в численные методы.
• Анализ алгоритмов.
• Градиентный спуск.
• Обучение градиентным спуском.
• Градиентный бустингэ.
• Поведенческие алгоритмы.

• Временные ряды описывают, как меняются параметры, например, объём потребления электроэнергии или количество заказов такси, с течением времени.
• Вы научитесь анализировать ряды, искать тренды и выявлять сезонность.
• Узнаете, как создавать табличные данные и задачу регрессии из временных рядов.

• Научитесь делать числовые векторы из текстов и решать для них задачи классификации и регрессии.
• Узнаете, как вычисляются признаки TF-IDF и познакомитесь с языковыми представлениями word2vec и BERT.

• Введние в базы данных.
• Срезы данных в SQLАгрегирующие функции.
• Группировка и сортировка данных.
• Взаимоотношения между таблицами.
• Типы объединений таблиц.
• Подзапросы и временные таблицы.
• PySpark.

• Введение в компьютерное зрение.
• Полносвязные сети.
• Свёрточные нейронные сети.
• Поведенческие алгоритмы.

• Обучение без учителя — это один из способов машинного обучения, при котором система решает задачу без размеченных заранее данных на основе их особенностей и структуры.
• Познакомитесь с задачами кластеризации и поиска аномалий.

• В последнем проекте подтвердите, что освоили новую профессию.
• Уточните задачу заказчика, пройдёте все стадии анализа данных и машинного обучения.
• Теперь без уроков и домашних заданий — всё как на реальной работе.