Олег Булыгин

Machine Learning [Тариф: Начало пути] [Mathshub] [Олег Булыгин]​ Обучение на курсе Machine Learning включает: В ходе этого модуля вы углубитесь в понимание связей между независимыми и зависимыми переменными, научитесь прогнозировать значения последних, основываясь на первых, а также классифицировать наблюдения по определённым заранее категориям или классам на основе их характеристик. Вы освоите техники совместной работы нескольких разработчиков над одним проектом, что повышает эффективность и скорость его реализации. Также вы получите знания о кластеризации и подготовке данных. ◆ Основы машинного обучения Машинное обучение является частью искусственного интеллекта, задачей которого является обучение систем самообучению и предсказаниям или принятию решений на основе данных. Вам предстоит начать изучение машинного обучения с базы, познакомиться с его видами и ключевыми элементами. ◆ Знакомство с важными алгоритмами Вы освоите ключевые аспекты работы машинного обучения и поймёте, что такое градиентный спуск. Этот оптимизационный алгоритм служит для минимизации функций потерь в методах машинного обучения и AI. ◆ Навыки создания ml-пайплайнов ML-пайплайн - это последовательность этапов, приводящих к созданию и обучению модели машинного обучения. Это подход к разработке моделей, который помогает усовершенствовать процесс их создания, отладки и масштабирования. Вы научитесь создавать пайплайны с нуля и развивать их, ознакомитесь с их функционалом. ◆ Работа с данными: полезные техники Вы начнёте изучать как ускорить работу и настроить обработку данных. Узнаете, почему важно проводить кросс-валидацию для оценки производительности, как осуществлять предобработку данных и тонкую настройку. Что входит в модуль: Введение в ML: виды ML и основные компоненты метрики, задача линейной регрессии Градиентный спуск Обобщающая способность модели: метод отложенной выборки / Кросс-валидация Линейная классификация: оценка вероятности Матрица ошибок и основные метрики классификации ROC, PR-кривые, AUC-ROC, AUC-PR Градиентный бустинг Bias-variance trade-off Кластеризация Рекомендательные системы Машинное обучение: классические задачи и алгоритмы Создание ML-пайплайна с нуля и развитие ML-пайплайна Структура модуля: 20 ак. часов на протяжении 5 недель Формат обучения: Лекция + семинар Регрессии Классификация Парное программирование — Алгоритмы ML Кластеризация Подготовка данных Продвинутые методы ML Навыки, которые вы приобретёте: Основные принципы теории машинного обучения Валидацию данных Создание регрессий, кластеризации и градиентного спуска Разработка ML-пайплайнов с нуля и их дальнейшее развитие Mathshub — международное учебное заведение в области анализа данных и разработки. Преподаватель модуля: Олег Булыгин. Machine Learning 7 лет руководствующего опыта в компаниях космической отрасли. Тариф: Первые шаги Записи занятий модуля Проверка домашнего задания

​ Чему мы научим на Machine Learning: На этом модуле вы изучите взаимосвязь между независимыми и зависимыми переменными, научитесь предсказывать значения последней на основе первых и разделять наблюдения на заранее определенные категории или классы на основе их признаков. Вы поймёте, как нескольким разработчикам работать над одним проектом одновременно, улучшая качество и скорость его разработки, а также узнаете, что такое кластеризация и подготовка данных. ◆ Узнаете всё о машинном обучении Машинное обучение — подраздел искусственного интеллекта, который обучает системы самостоятельно учиться и делать прогнозы или принимать решения на основе данных. На модуле вы начнёте изучать тему машинного обучения с введения, узнаете, каким оно бывает и какие основные компоненты его работы. ◆ Познакомитесь с ключевыми алгоритмами Вы разберётесь в ключевых моментах работы машинного обучения, познакомитесь с понятием градиентного спуска. Это оптимизационный алгоритм, используемый для минимизации функций потерь в методах машинного обучения и искусственного интеллекта. ◆ Научитесь создавать ml-пайплайны ML-пайплайн — это набор этапов, выполнение которых приводит к созданию и обучению модели машинного обучения. Это методология разработки моделей, которая помогает улучшить процесс их создания, отладки и масштабирования. На модуле вы научитесь создавать пайплайны с нуля, развивать их, изучите их функционал. ◆ Изучите полезные приёмы при работе с данными Вы начнёте разбираться в том, как оптимизировать скорость работы и наладить процесс обработки данных. Узнаете, зачем необходимо использование кросс-валидации для оценки производительности, как делать предобработку данных и тонкую настройку. Что включено в модуль: Введение в ML: каким оно бывает и каковы основные компоненты метрики и задача линейной регрессии Градиентный спуск Обобщающая способность модели: метод отложенной выборки / Кросс-валидация Линейная классификация: оценка вероятности Матрица ошибок и основные метрики классификации ROC, PR-кривые, AUC-ROC, AUC-PR Градиентный бустинг Bias-variance trade-off Кластеризация Рекомендательные системы Машинное обучение: классические задачи и алгоритмы Создание ML-пайплайна с нуля и развитие ML-пайплайна Программа модуля: 20 ак. часов / 5 недель Формат обучения: Лекция + семинар Регрессии Классификация Парное программирование — Алгоритмы ML Кластеризация Подготовка данных Продвинутые подходы ML Твои навыки после обучения Основы теории машинного обучения Валидирование данных Построение регрессии, кластеризации и градиентного спуска Создание ML-пайплайнов с нуля и их развитие Mathshub — международная школа анализа данных и разработки. Преподаватель модуля: Олег Булыгин. Machine Learning 7 лет опыта в управленческих должностях в научно-производственных компаниях космической отрасли.

Геоаналитика [2021] Нетология Денис Струков, Николай Хащанов, Олег Булыгин, Павел Дубинин 1. Начнёте использовать геоданные для решения бизнес-задач 2. Научитесь создавать карты, отвечающие запросам пользователей 3. Соберёте портфолио из 5 проектов В развитых странах две трети решений в бизнесе и госуправлении принимается с учётом географических данных. Геоаналитик занимается расчётом пространственного потенциала территории, даёт рекомендации о размещении объектов и умеет создавать карты с нуля. Для изучения устройства улиц, поиска определённых объектов и вычисления количества людей, которое проходит мимо этого объекта ежедневно, геоаналитику совсем не обязательно находиться рядом — обо всём расскажут данные на картах. Партнёр курса — Geointellect Кому будет полезно: 1. Новичкам Поймёте, как реальные объекты преобразуются в геоданные. Научитесь создавать карты, обрабатывать данные и находить в них взаимосвязи​ 2. Начинающим геоаналитикам Узнаете, как использовать геоданные для планирования выхода бизнеса на новые рынки, прогнозирования экологических изменений и развития городов​ 3. Маркетологам и менеджерам по развитию Освоите инструменты геоаналитики для получения и анализа данных. Научитесь составлять рекомендации по продвижению и развитию бизнеса, используя геоданные​ Чему научитесь: 1. Создавать и публиковать карты в ГИС: QGIS, Geointellect 2. Управлять данными и работать с аналитическими функциями SQL 3. Обрабатывать данные из OSM-баз с помощью SQL-запросов 4. Обрабатывать данные в Python и визуально их представлять 5. Анализировать эффективность размещения объектов 6. Использовать геоданные для маркетингового продвижения компании Вы освоите набор профессиональных инструментов: 1. QGIS - геоинформационная система для создания, редактирования, визуализации и анализа данных. 2. Geointellect - геомаркетинговая облачная система для b2b и b2g 3. SQL - язык запросов к базам данных применяемый для создания, модификации и управления данными 4. OpenStreetMap - проект по созданию подробной свободной и бесплатной географической карты мира Примеры практических работ: 1. Визуализация геоданных Отобразите геоданные на карте и проведёте пространственный анализ.​ 2. Моделирование целевой аудитории на карте города Проведёте анализ притяжения людей с разными интересами.​ 3. Расчёт товарооборота магазина Проанализируете размер населения, трафик, расположение конкурентов и оцените потенциальный товарооборот торговой точки.​ 4. Проектирование БД С помощью SQL cпроектируете базу данных для заданных сущностей.​ 5. Алгоритм для сортировки данных Научитесь писать алгоритм для сортировки данных с помощью специальных конструкций в Python.​ Модуль 1 - Введение в сферу геоаналитики Разберётесь в источниках данных и их структуре. Поймёте отличия концепций business intelligence и local intelligence. Погрузитесь в основы геоинформатики. Аналитическое мышление Преимущества геоаналитики и возможности картограмм Разбор кейсов: здравоохранение, smart city, ритейл, экология, урбанистика, транспорт Продвинутая визуализация данных. Business intelligence vs local intelligence Обзор GIS — геоинформационных систем ​ Модуль 2 - Геоаналитика: данные и инструменты Поймёте, как работать с OSM-базами и закрытыми источниками информации. Познакомитесь с настольными приложениями ГИС и картографическими веб-приложениями. Пространственные данные Векторная модель Растровая модель Геоинформационные системы и их виды Настольные приложения инструментов ГИС: ArcGIS, QGIS Картографические веб-приложения: MapBox, Geointellect ​ Модуль 3 - SQL для анализа данных Изучите основы SQL. Научитесь получать данные из БД, а также фильтровать, агрегировать, импортировать и экспортировать данные. Теория множеств. Введение в реляционную алгебру Разбор сложных моментов при работе с окружением Основы БД. Масштабирование нагрузки в СУБД Основы SQL Погружение в SQL Работа с PostgreSQL ​ Модуль 4 - Подключение к пространственно-ориентированным базам данных Узнаете, как хранить геоданные. Научитесь обрабатывать геоданные с помощью SQL-функций. Познакомитесь с Open geospatial consortium simple features for SQL specification. Пространственные функции SQL Подключение PostGIS для хранения геоданных Создание пространственной базы данных Создание таблиц метаданных OGC Практическая работа с базами данных в QGIS ​ Модуль 5 - Геомаркетинг и алгоритмы. Ритейл Поймёте, как использовать возможности геомаркетинга для анализа локального рынка и оценки локации для размещения объектов. Изучите методы анализа в геоаналитике — умные калькуляторы и тепловые карты. Контекст и закономерности территориального размещения объектов Экономика городской среды Территориальная экспансия и особенности изучения статистики на макроуровнях Сбор и анализ качественных и количественных данных Влияние пространственных параметров на объекты Расчёт зон транспортной и пешеходной доступности ​ Модуль 6 - Геотаргетинг для продвижения бизнеса Узнаете, как использовать геоданные для онлайн-продвижения. Познакомитесь с сервисами геотаргетинга и возможностями показа рекламы пользователям в соответствии с их географическим положением. Механики интернет-продвижения Возможности георекламы Сходства и различия геотаргетинга и геолокационного таргетинга Google Maps, Яндекс.Карты, 2ГИС: знакомство ​ Модуль 7 - Геоаналитика в транспортном планировании городов Поймёте, как оценивать состояние и планировать развитие транспортных систем. Научитесь моделировать состояние территориальной транспортной системы. Территориальная транспортная система Проектирование транспортных систем городов и городских агломераций Анализ проблем для принятия управленческих решений при транспортном планировании ​ Модуль 8 - Python для анализа данных Научитесь использовать базовые инструменты и подходы в Python для работы с данными. Автоматизируете работу с помощью Python и научитесь обрабатывать большие объёмы информации. Управляющие конструкции и коллекции Работа с файловой системой Исключения и обработка ошибок Регулярные выражения и основы синтаксического разбора ​ Модуль 9 - Машинное обучение в геоаналитике Познакомитесь с основами машинного обучения. Узнаете, какие математические модели используются в геоаналитике. Знакомство с библиотеками pandas, NumPy, Sklearn Использование математических моделей в геоаналитике Градиентный бустинг, kNN, random forest Кластеризация данных и ML ​ Модуль 10 - Геоданные для принятия решений Разберётесь в отраслевых особенностях государственного управления. Поймёте, как использовать возможности геоаналитики в решениях сити-менеджмента. Сможете грамотно планировать работу над проектом и ставить задачи с использованием геоданных и геоаналитики. Развитие городских сообществ и систем Концепция smart city Особенности принятия решений на разных уровнях: муниципалитет, город, регион, страна Составление пайплайна проекта Презентация картографических продуктов и других визуальных отчётов ​ Дипломная работа Анализ размещения объекта С помощью геоданных проведёте анализ эффективности коммерческого объекта. Оцените влияние на него пространственных параметров, спрогнозируете объём целевой аудитории, визуально отразите результаты исследования на карте.

Разработчик баз данных с нуля [2021] Нетология Артур Сапрыкин, Николай Хащанов, Олег Булыгин, Надежда Короткая 1. Изучите языки программирования SQL и Python для работы с данными 2. Научитесь создавать и настраивать базы данных под запросы компаний 3. Освоите профессию и соберёте портфолио из 4 проектов Знания Python и SQL нужны для создания, модификации и управления данными. По данным исследования Institute of Electrical and Electronics Engineers, эти языки самые популярные в 2021 году. Изучив основы и набравшись опыта, через 1–3 года вы сможете повысить уровень дохода, работая по перспективным IT-профессиям: BI-архитектор, BI-разработчик и другим. Кому подойдёт курс: 1. Новичкам Изучите основы Python и SQL для оптимизации работы с данными​ 2. Специалистам техподдержки Сможете быстрее решать новые и нестандартные задачи при помощи SQL и автоматизируете рутинные процессы​ 3. Начинающим разработчикам Научитесь писать запросы, анализировать и обрабатывать информацию из баз данных при помощи языка SQL​ Чему научитесь: 1. Изучите основы Python и научитесь с его помощью получать и обрабатывать данные 2. Освоите управление данными и работу с аналитическими функциями SQL 3. Познакомитесь с основами администрирования баз данных на примере PostgreSQL 4. Узнаете о методах интеграции информационных систем и изучите спецификацию OpenAPI 5. Разберётесь в проектной документации IT-проектов 6. Познакомитесь с принципами agile и научитесь работать в продуктовом подходе 7. Научитесь проектировать надёжные базы данных и обеспечивать их работу 8. Разберётесь, как тестировать базы данных Модуль 1 - SQL и получение данных С помощью SQL научитесь получать информацию из базы данных. Также сможете фильтровать, агрегировать, импортировать и экспортировать данные. Архитектура и структура баз данных (БД) Простые запросы, join, агрегаты Базовые команды в SQL и встроенные аналитические функции Импорт и экспорт данных посредством SQL и ETL программ Принципы работы с различными БД Основные библиотеки для подключения к БД из Python Функции SQL и их аналоги в pandas Консоль: знакомство, основные операторы, утилита psql Архитектура и проектирование Нормализация Зависимости Разработка запросов для аналитики авиаперелётов Курсовой проект ​ Модуль 2 - Основы Python для работы с данными Освоите основы Python и научитесь с его помощью получать и обрабатывать данные. Основы Python Введение в анализ данных на Python Статистика в Python Предобработка данных Feature Selection ​ Модуль 3 - Программирование на Bash Изучите базовое программирование в командном интерпретаторе Bash. Научитесь проводить синтаксический анализ с помощью регулярных выражений regexp. Освоите утилиты sed, awk, cut, grep и другие. Базовое программирование на Bash. Коды возврата, функции Regexp и их использование для синтаксического анализа Полезные утилиты Разбор скриптов и написание своих скриптов. Linter, ShellСheck ​ Модуль 4 - Warehouse (DWH) Познакомитесь с классическим хранилищем данных, научитесь проектировать его и выполнять основные задачи. Введение в хранилища данных Проектирование хранилища данных Знакомство с Pentaho Pentaho как инструмент ETL ETL-pro Общие рекомендации по разработке ETL Смежные темы DWH в облаке ​ Модуль 5 - Администрирование Linux Разберёте дистрибутивы Linux, основанные на RedHat и Debian, и особенности работы с ними. Узнаете, как управлять пакетами: устанавливать, удалять и пересобирать их. Научитесь управлять пользователями и их правами, приложениями и их запуском. Изучите принципы поиска проблем производительности системы. Типы дистрибутивов Управление пакетами Системы инициализации Linux: systemd, init-v Управление пользователями Производительность системы Файловые системы ​ Модуль 6 - Системы хранения и передачи данных Узнаете, чем различаются SQL и NoSQL базы данных и как выбрать нужную из всего многообразия существующих решений. Разберётесь, зачем нужен кеш и как его использовать. Научитесь складывать и смотреть логи приложений в Elasticsearch, а также настраивать и использовать менеджер очередей RabbitMQ. Базы данных и их типы Кеширование Redis/Memcached ELK Очереди RabbitMQ ​ Модуль 7 - Реляционные базы данных Узнаете принципы работы реляционных баз данных. Научитесь писать SQL-запросы, работать с индексами и оптимизировать выполнение запросов. Освоите репликацию, масштабирование баз данных и резервное копирование. Базы данных Работа с данными с помощью DDL и DML Индексы Репликация и масштабирование Резервное копирование Базы данных в облаке ​ Модуль 8 - Продвинутая работа с SQL Изучите основы проектирования и поймёте, какие бывают архитектурные модели данных. Научитесь создавать хранимые процедуры и триггеры. Узнаете, что такое нормализация и денормализация. Освоите шардирование и партиционирование. Создание хранимых процедур Создание триггерных функций и триггеров Горизонтальное и вертикальное шардирование Архитектурные модели Модели данных Этапы проектирования базы данных Отличие OLTP- от OLAP-систем Разработка и заполнение базы данных, внедрение в неё хранимых процедур и триггеров Курсовой проект ​ Модуль 9 - Интеграция систем и документирование API Узнаете о методах интеграции информационных систем, изучите спецификацию OpenAPI, научитесь описывать программные интерфейсы приложений и публиковать их в Swagger. Процесс и уровни интеграции Подходы к интеграции REST API, SOAP Нотация OpenAPI Swagger ​ Модуль 10 - Администрирование баз данных Познакомитесь с основами администрирования БД на примере PostgreSQL. Узнаете основы архитектуры, научитесь управлять доступом, организовывать репликацию и резервное копирование данных. Основы конфигурации и архитектуры Организация данных Задачи администрирования Управление доступом Репликация и резервное копирование PL и SQL Работа с PostgreSQL Определение ролей, доступа и резервное копирование для заданной базы данных Курсовой проект ​ Модуль 11 - Тестирование систем и данных Познакомитесь с основными видами и методами тестирования, поймёте разницу между QA и тестированием. Ручное и автоматизированное тестирование Тестирование данных. Требования и подход ​ Модуль 12 - Документирование в IT-проектах Сориентируетесь в видах проектной документации, структуре и назначении артефактов. Научитесь создавать BMC, CJM и узнаете, где их применять. Рассмотрите стандарты документирования и познакомитесь с процессами документирования внутри цикла разработки ПО. Согласование и управление изменениями требований Проектная документация и артефакты Business canvas model Customer journey map Software requirements specification и техническое задание Стандарты документирования Подходы к документированию в IT-проектах ​ Модуль 13 - Работа по agile: scrum, kanban, lean Поймёте отличие гибких подходов к управлению от традиционных. Познакомитесь с принципами бережливого производства (lean), гибкой методологией разработки (agile), методологией управления проектами (scrum) и системой организации процесса реализации задач (kanban). Отличие традиционных подходов к управлению от гибких Lean — бережливое производство. Поток создания ценности MVP и agile-планирование Scrum: планирование спринта, работа итерациями Kanban: основы метода, построение системы ​ Модуль 14 - Дипломный практикум Разработаете архитектуру и сконфигурируете базу данных для интернет-магазина. Настроите доступы, роли и резервное копирование данных.​

​ Задачи по работе с данными востребованы во всех областях:от банковской сферы и ИТ до тяжелой промышленности и сельского хозяйства. Python — простой и универсальный инструмент для решения любых аналитических задач. 1. Автоматизируйте свою рутинную работу с помощью Python 2. Обрабатывайте большие объемы информации без администрирования и баз данных 3. Освойте ключевой инструмент в мире аналитики и машинного обучения Возможности после обучения 1. Больше автономности Перестанете зависеть от разработчиков в работе с данными и научитесь понимать программистов. 2. Автоматизация рутинных задач С Python вы почувствуете вкус к оптимизации процессов и освободите время для новых задач. 3. Широкий доступ к данным Умение быстро парсить сайты — бесценно. Вы начнете видеть и получать данные там, где раньше не замечали их 4. Легкий переход в data science Python для аналитики — отличная база и возможность начать карьеру в data science. 5. Готовить данные для алгоритмов Умение использовать готовые решения для придания смысла сырой информации. 6. Поиск новых инсайтов Нахождение новых взаимосвязей в данных и их интерпретация для улучшения показателей бизнеса. Навыки после обучения Достигнутые результаты 1. Работа с реальными дата-сетами 2. Работа с логами и рекомендательными системами 3. Получение минимального портфолио для старта в профессии Ключевые навыки 1. Работа с сырыми данными и их подготовка для анализа 2. Работа с аналитическими библиотеками numpy, scipy и pandas 3. Визуализация данных с помощью библиотек seaborn, plotly, matplotlib 4. Статистический анализ данных 5. Применение математических моделей 6. Выбор и создание фич 7. Применение основных алгоритмов для обработки данных 8. Парсинг данных с сайтов и внешних источников 9. Автоматизация процессов получения данных для отчетов Модуль 1 - Основы Python для работы с данными Вы научитесь пользоваться базовыми инструментами Python. Для студентов без опыта в программировании модуль предполагает интенсивную самостоятельную работу. По ходу занятия преподаватель даст много полезных дополнительных библиотек и методов, которые ускорят работу с кодом, оставив больше времени на аналитические задачи. 1. Вводные видео-уроки по установке, синтаксису и функциям Python 2. Основы Python и Git 3. Базовые типы данных и циклы 4. Функции и классы 5. Продвинутые типы данных: массивы, множества, словари Навыки, которые вы получите 1. Научитесь работать в Jupyter-ноутбуке 2. Освоите чтение файлов и запись данных в файлы 3. Сможете делать первичную проверку данных на корректность и обработку ошибок 4. Научитесь работать с датами с библиотекой DateTime 5. Освоите работу с JSON-форматом 6. Научитесь импортировать данные в Excel 7. Познакомитесь с библиотекой DateTime Модуль 2 Знакомство с основными библиотеками для анализа данных Вы научитесь работать с главными аналитическими библиотеками, а визуализации помогут быстро находить зависимости и корреляции. Одно из больших преимуществ языка Python — это большое и сильное сообщество, которое ежедневно пополняет язык простыми готовыми решениями. 1. numpy и scipy 2. pandas 3. Визуализация данных: seaborn, plotly, matplotlib 4. Получение данных с внешних сайтов и API 5. Data mining и парсинг Навыки, которые вы получите 1. Сможете подготовить визуальные отчёты 2. Освоите эксплоративный анализ данных 3. Научитесь работать с матрицами и векторами в Python 4. Научитесь работать с pandas в таблицах 5. Освоите работу с элементами массива разных размерностей в numpy 6. Автоматизация получения данных из внешних источников 7. Автоматизация парсинга с сайтов Модуль 3 - Статистика в Python В этом модуле вы познакомитесь со статистикой: именно она помогает закопаться глубже в данные, чтобы найти интересные связи и эффективно генерировать гипотезы. Вас ждут не только среднее, медиана и квартили, но и одномерный и многомерный анализ, коллинеарность. Вы научитесь рассчитывать необходимую выборку и доверительный интервал для стат. значимости теста и проектировать дизайн A/B-тестов. 1. Основы описательной статистики, виды распределений в Python 2. Центральная предельная теорема и статистический анализ данных в Python 3. Основные статистические тесты и проверка гипотез 4. Кейс-стади. Статистические показатели в Python Навыки, которые вы получите 1. Поймёте основы описательной статистики 2. Научитесь проводить основные статистические тесты (z-test, f-test, chi-2 test) 3. Освоите проектирование экспериментов 4. Научитесь проводить анализ A/B-тестов 5. Научитесь интерпретировать исходные данные для нахождения зависимостей 6. Применение математических моделей Модуль 4 Feature engineering и предобработка данных Вы изучите инструменты выбора и оценки фичей, научитесь оптимизировать их количество. Новые знания помогут плотнее общаться с разработкой в продукте и быстро вычленять ошибки в их логике. Также вы приобщитесь к главной библиотеке data scientists — sklearn для feature selection. 1. Проверка и очистка данных с помощью pandas и numpy 2. Проведение анализа и рекурсивного feature selection и на базе моделей 3. Методы оценки значимости и отбора признаков и их использование 4. «Проклятие размерности», основные алгоритмы и принципы их работы 5. Использование алгоритмов sklearn Навыки, которые вы получите 1. Освоите описание основных проблем данных 2. Научитесь проверке данных на полноту, целостность, валидность, наличие шумов, ошибок и пропусков 3. Сможете очистить данные с помощью numpy и pandas 4. Разберётесь с сокращением размерности данных алгоритмами PCA, LDA, NMF с помощью sklearn 5. Научитесь выбору и оценке фич Лабораторные работы Кроме домашних заданий, в которых вы отрабатываете отдельные навыки, в курсе будет две проверочные точки. Они помогут вам оценить свои силы в комплексных задачах. 1. С помощью статистики изучите данные небольшого датасета на 200+ автомобилей по 26 параметрам, с помощью визуализаций выведете закономерности и протестируете несколько статистических гипотез. 2. Вместе с преподавателем подготовите датасет на 1500 строк к анализу, оцените и выберете из 80 признаков нужные и спрогнозируете стоимостную категорию дома. Диплом В рамках дипломного проекта вы будете работать с датасетом на медицинскую тематику. Вы не только самостоятельно подготовите данные для анализа в Python, но и напишете алгоритм, который предсказывает вероятность болезни у пациента по разным признакам. Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе.

​ Задачи по работе с данными востребованы во всех областях:от банковской сферы и ИТ до тяжелой промышленности и сельского хозяйства. Python — простой и универсальный инструмент для решения любых аналитических задач. 1. Автоматизируйте свою рутинную работу с помощью Python 2. Обрабатывайте большие объемы информации без администрирования и баз данных 3. Освойте ключевой инструмент в мире аналитики и машинного обучения Возможности после обучения 1. Больше автономности Перестанете зависеть от разработчиков в работе с данными и научитесь понимать программистов. 2. Автоматизация рутинных задач С Python вы почувствуете вкус к оптимизации процессов и освободите время для новых задач. 3. Широкий доступ к данным Умение быстро парсить сайты — бесценно. Вы начнете видеть и получать данные там, где раньше не замечали их 4. Легкий переход в data science Python для аналитики — отличная база и возможность начать карьеру в data science. 5. Готовить данные для алгоритмов Умение использовать готовые решения для придания смысла сырой информации. 6. Поиск новых инсайтов Нахождение новых взаимосвязей в данных и их интерпретация для улучшения показателей бизнеса. Навыки после обучения Достигнутые результаты 1. Работа с реальными дата-сетами 2. Работа с логами и рекомендательными системами 3. Получение минимального портфолио для старта в профессии Ключевые навыки 1. Работа с сырыми данными и их подготовка для анализа 2. Работа с аналитическими библиотеками numpy, scipy и pandas 3. Визуализация данных с помощью библиотек seaborn, plotly, matplotlib 4. Статистический анализ данных 5. Применение математических моделей 6. Выбор и создание фич 7. Применение основных алгоритмов для обработки данных 8. Парсинг данных с сайтов и внешних источников 9. Автоматизация процессов получения данных для отчетов Модуль 1 - Основы Python для работы с данными Вы научитесь пользоваться базовыми инструментами Python. Для студентов без опыта в программировании модуль предполагает интенсивную самостоятельную работу. По ходу занятия преподаватель даст много полезных дополнительных библиотек и методов, которые ускорят работу с кодом, оставив больше времени на аналитические задачи. 1. Вводные видео-уроки по установке, синтаксису и функциям Python 2. Основы Python и Git 3. Базовые типы данных и циклы 4. Функции и классы 5. Продвинутые типы данных: массивы, множества, словари Навыки, которые вы получите 1. Научитесь работать в Jupyter-ноутбуке 2. Освоите чтение файлов и запись данных в файлы 3. Сможете делать первичную проверку данных на корректность и обработку ошибок 4. Научитесь работать с датами с библиотекой DateTime 5. Освоите работу с JSON-форматом 6. Научитесь импортировать данные в Excel 7. Познакомитесь с библиотекой DateTime Модуль 2 Знакомство с основными библиотеками для анализа данных Вы научитесь работать с главными аналитическими библиотеками, а визуализации помогут быстро находить зависимости и корреляции. Одно из больших преимуществ языка Python — это большое и сильное сообщество, которое ежедневно пополняет язык простыми готовыми решениями. 1. numpy и scipy 2. pandas 3. Визуализация данных: seaborn, plotly, matplotlib 4. Получение данных с внешних сайтов и API 5. Data mining и парсинг Навыки, которые вы получите 1. Сможете подготовить визуальные отчёты 2. Освоите эксплоративный анализ данных 3. Научитесь работать с матрицами и векторами в Python 4. Научитесь работать с pandas в таблицах 5. Освоите работу с элементами массива разных размерностей в numpy 6. Автоматизация получения данных из внешних источников 7. Автоматизация парсинга с сайтов Модуль 3 - Статистика в Python В этом модуле вы познакомитесь со статистикой: именно она помогает закопаться глубже в данные, чтобы найти интересные связи и эффективно генерировать гипотезы. Вас ждут не только среднее, медиана и квартили, но и одномерный и многомерный анализ, коллинеарность. Вы научитесь рассчитывать необходимую выборку и доверительный интервал для стат. значимости теста и проектировать дизайн A/B-тестов. 1. Основы описательной статистики, виды распределений в Python 2. Центральная предельная теорема и статистический анализ данных в Python 3. Основные статистические тесты и проверка гипотез 4. Кейс-стади. Статистические показатели в Python Навыки, которые вы получите 1. Поймёте основы описательной статистики 2. Научитесь проводить основные статистические тесты (z-test, f-test, chi-2 test) 3. Освоите проектирование экспериментов 4. Научитесь проводить анализ A/B-тестов 5. Научитесь интерпретировать исходные данные для нахождения зависимостей 6. Применение математических моделей Модуль 4 Feature engineering и предобработка данных Вы изучите инструменты выбора и оценки фичей, научитесь оптимизировать их количество. Новые знания помогут плотнее общаться с разработкой в продукте и быстро вычленять ошибки в их логике. Также вы приобщитесь к главной библиотеке data scientists — sklearn для feature selection. 1. Проверка и очистка данных с помощью pandas и numpy 2. Проведение анализа и рекурсивного feature selection и на базе моделей 3. Методы оценки значимости и отбора признаков и их использование 4. «Проклятие размерности», основные алгоритмы и принципы их работы 5. Использование алгоритмов sklearn Навыки, которые вы получите 1. Освоите описание основных проблем данных 2. Научитесь проверке данных на полноту, целостность, валидность, наличие шумов, ошибок и пропусков 3. Сможете очистить данные с помощью numpy и pandas 4. Разберётесь с сокращением размерности данных алгоритмами PCA, LDA, NMF с помощью sklearn 5. Научитесь выбору и оценке фич Лабораторные работы Кроме домашних заданий, в которых вы отрабатываете отдельные навыки, в курсе будет две проверочные точки. Они помогут вам оценить свои силы в комплексных задачах. 1. С помощью статистики изучите данные небольшого датасета на 200+ автомобилей по 26 параметрам, с помощью визуализаций выведете закономерности и протестируете несколько статистических гипотез. 2. Вместе с преподавателем подготовите датасет на 1500 строк к анализу, оцените и выберете из 80 признаков нужные и спрогнозируете стоимостную категорию дома. Диплом В рамках дипломного проекта вы будете работать с датасетом на медицинскую тематику. Вы не только самостоятельно подготовите данные для анализа в Python, но и напишете алгоритм, который предсказывает вероятность болезни у пациента по разным признакам. Дипломная работа выполняется самостоятельно под руководством экспертов курса и позволяет закрепить весь спектр знаний и навыков, полученных на программе.

О курсе Соберёте 4 проекта и больше 20 задач — портфолио, с которым можно откликаться, даже если вы раньше не работали с данными С нуля отточите навыки работы с Python и SQL в тренажёре Разберётесь в российских BI-системах AW BI и Yandex DataLens. Освоите навыки, которые пока редкость, но уже востребованы Чему вы научитесь Сбор и анализ требований заказчиков к отчётности Получение данных с помощью языка запросов SQL Очистка и трансформация данных с помощью Python Применение математических методов и основ статистики Прогнозирование событий на основе данных Анализ результатов, исследований и тестирования гипотез Создание аналитических решений и презентация их бизнесу Визуализация данных с помощью Power BI Проведение A/B-тестирования Работа с большими данными Практика и проекты Задачи из реальной практики аналитиков данных. Анализ файла с оценками фильмов, использование датасета и построение диаграмм, SQL-запросы для конкретной цели и другие задачи Разработка системы аналитики для планирования отпусков. Разработаете отчёты с использованием Google-инструментов и проведёте анализ с помощью инструментов статистики, SQL и Python Анализ авиаперелётов. Подключитесь и опишете базу данных, проведёте развернутый анализ базы данных, напишете запросы, которые помогут ответить на вопросы по оптимизации авиаперелётов Анализ удовлетворённости работой сотрудниками. Рассчитаете статистические показатели по сотрудникам, проверите гипотезу о влиянии уровня зарплаты на рабочие процессы и построите модель, предсказывающую причину увольнения сотрудника Проверка гипотезы о выборе такси для дальних поездок. Исследуете данные о поездках на такси, выберете нужный статистический критерий проверки гипотезы и сформулируете выводы, какой класс машин выбирают пользователи для дальних поездок Проект по работе с нейросетями. В расширенной программе с изучением нейросетей сможете взять собственную тему или выбрать одну из готовых: предсказание цен на автомобили, прогноз оттока клиентов или анализ отзывов на продукт Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

О курсе Сможете углубить знания и освоить нейросети, чтобы работать с более сложными задачами и быстрее расти в карьере Изучите российские BI-решения и станете одним из немногих специалистов, которые могут работать в условиях ограничений Получите карьерную поддержку во время учёбы и ещё 12 месяцев после Чему вы научитесь Сбор и анализ требований заказчиков к отчётности Получение данных с помощью языка запросов SQL Очистка и трансформация данных с помощью Python Применение математических методов и основ статистики Прогнозирование событий на основе данных Анализ результатов, исследований и тестирования гипотез Создание аналитических решений и презентация их бизнесу Визуализация данных с помощью Power BI Проведение A/B-тестирования Работа с большими данными Практика и проекты Задачи из реальной практики аналитиков данных. Анализ файла с оценками фильмов, использование датасета и построение диаграмм, SQL-запросы для конктерной цели и другие задачи Разработка системы аналитики для планирования отпусков. Разработаете отчёты с использованием Google-инструментов и проведёте анализ с помощью инструментов статистики, SQL и Python В расширенной программе: построение управленческого дашборда. Проверите качество датасета, сформулируете предложения по бизнес-задаче, проведёте анализ данных и представите результаты в виде дашборда Анализ авиаперелётов. Подключитесь и опишете базу данных, проведёте развернутый анализ базы данных, напишете запросы, которые помогут ответить на вопросы по оптимизации авиаперелётов В расширенной программе: разработка рекомендательной системы онлайн-кинотеатра. Проведёте анализ пользователей и фильмов, построите рекомендательную модель на Python и разработаете стратегию внедрения хранилища больших данных Анализ удовлетворённости работой сотрудниками. Рассчитаете статистические показатели по сотрудникам, проверите гипотезу о влиянии уровня зарплаты на рабочие процессы и построите модель, предсказывающую причину увольнения сотрудника В расширенной программе: проверка гипотезы через A/B-тестирование на своём проекте. Проанализируете исходные данные, сформулируете гипотезу, подготовите и проведёте A/B-тестирование и опишете результаты Проверка гипотезы о выборе такси для дальних поездок. Исследуете данные о поездках на такси, выберете нужный статистический критерий проверки гипотезы и сформулируете выводы, какой класс машин выбирают пользователи для дальних поездок В расширенной программе: анализ рекламной кампании сети ресторанов. Проанализируете эффективность разработанной программы лояльности и построите отчёт в Power BI Проект по работе с нейросетями. Сможете взять собственную тему или выбрать одну из готовых: предсказание цен на автомобили, прогноз оттока клиентов или анализ отзывов на продукт Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

Что входит в обучение зарабатывает junior-специалист зарабатывает middle-специалист зарабатывает senior-специалист Что входит в обучение Собрали все необходимые инструменты геоаналитика в одной программе Обучаем не только профессиональным навыкам, но и помогаем развивать soft skills Делаем акцент на практику, чтобы вы сразу смогли закрепить полученные знания Поможем составить резюме и передадим его партнёрам Нетологии При успешном окончании курса выдаём диплом, подтверждающий вашу квалификацию Спросите про налоговый вычет у менеджера при записи на курс. Он расскажет, как вернуть часть суммы

На онлайн-интенсиве разберем самые популярные языки программирования и определим, какой подходит именно вам. Также вы поймете, с какого языка начать обучение и попробуете себя в роли программиста.

О курсе Получите точечные знания по интересующим темам: от нейросетей и управления проектами до плана питания и режима сна Как проходит обучение Cлушайте и смотрите лекции в автобусе, на диване, на работе или во время прогулки с собакой Выделяйте на обучение по 15 минут и продвигайтесь быстрее Листайте умные рекомендации лекций по интересующей вас теме и находите нужное Отслеживайте свой прогресс и возвращайтесь к материалам в любой момент

О курсе Вход в ИИ без глубокого погружения в программирование Практика под задачи бизнеса на ChatGPT, GigaChat, Claude и других моделях: от интервью с заказчиком до проверки качества 5 проектов в портфолио: ассистент, база промптов, многошаговые сценарии. Есть что показать работодателю или первым заказчикам Чему вы научитесь Постановка задач для LLM и генеративного ИИ Создание промптов для текстовых, визуальных и бизнес-задач Проектирование системных инструкций для ИИ-ассистентов, настройка под повторяющиеся процессы Настройка ИИ-ассистентов под повторяющиеся рабочие процессы Использование внешнего контекста и баз знаний в ИИ-сценариях Тестирование качества ответов нейросетей Сбор требований, перевод бизнес-задачи в ИИ-решение Разработка многошаговых ИИ-сценариев и цепочек промптов Работа со структурированными форматами ответов и JSON без кода, проектирование no-code-автоматизаций с ИИ Документирование промптов, инструкций и ИИ-сценариев Практика и проекты ИИ-помощник по корпоративным задачам. Спроектируете ассистента для рабочих процессов: сценарий, системные инструкции, поведение и правила ответа Бриф заказчика и подготовка ИИ-решения для бизнес-задачи. Проведёте интервью с представителем бизнеса, соберёте требования и предложите подходящее ИИ-решение ИИ-медиахаб — конвейер экспертного контента. Настроите многошаговый сценарий для создания и обработки экспертного контента с помощью ИИ Репозиторий ИИ-артефактов. Соберёте базу промптов, инструкций, ИИ-сценариев и документации для повторного использования ИИ-методолог. Разработаете итоговый проект: от постановки задачи и логики работы до документации и презентации решения Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

О курсе Всё для работы в сфере ИИ: от основ нейросетей до разработки полноценных ИИ-агентов Навыки работы с LLM и RAG‑системами, подключения локальных и российских решений, интеграция в готовые ИИ Помощь с поиском работы, персональные консультации экспертов Яндекса, Microsoft, Amazon и других компаний Чему вы научитесь Разработка Python‑скриптов для обработки данных и автоматизации Проектирование архитектуры кода и сервисов с ООП Обучение, валидация и оценка ML-моделей по метрикам Понимание принципов работы нейросетей и выстраивания ML-пайплайнов Применение prompt-инжиниринга для решения бизнес-задач Интеграция и адаптация больших языковых моделей (LLM) Создание и оптимизация RAG-систем с векторными базами данных Проектирование, доработка и развёртывание ИИ-агентов (fine-tuning) Обеспечение безопасности и управление рисками ИИ-сервисов Практика и проекты Резервное копирование. Напишете программу для резервного копирования аватаров — фотографий из профиля пользователя соцсети — в облачное хранилище Классификация обращений пользователей. Создадите свою первую модель машинного обучения, которая будет автоматически сортировать обращения пользователей по темам LLM-ассистент для пользовательских запросов. Разработаете приложение, которое использует языковую модель через API: пишет промпты, обрабатывает ответы, учитывает ошибки и вопросы безопасности ИИ-агент инфраструктурной поддержки. Разработаете ИИ-агента с логикой, памятью и инструментами. Интегрируете с RAG и LLM, развенёте его в Yandex Cloud Корпоративный Q&A-ассистент. Построите RAG-систему для ответов на вопросы по внутренним документам компании: подготовите данные, настроите поиск и интеграцию с LLM Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

О курсе Научитесь создавать сайты и веб-приложения через практику, будете готовы к трудоустройству и реальным задачам Поймёте, как использовать ИИ для генерации кода и тестов без потери качества — это сейчас особенно ценится на рынке труда Получите личные консультации от экспертов, а также карьерную поддержку во время всей учёбы и ещё 12 месяцев после Чему вы научитесь Вёрстка и стилизация веб-страниц Разработка интерактивных интерфейсов Работа с системой контроля версий Решение универсальных задач на языке Python Создание веб-приложений с использованием программных библиотек — фреймворков Понимание клиент-серверной архитектуры Проектирование и работа с реляционными базами данных Интеграция с внешними сервисами через API Написание и поддержка юнит-тестов Практика и проекты Бэкенд сайтов и приложений. Поработаете с резервным копи рованием, юнит-тестми, парсингом, управлением данными и другими задачами Интерфейс сайтов и приложений. Сверстаете браузерную игру, резиновый макет, будете создавать прототипы и выполнять другие задачи Разработка пайплайна. Полностью настроите CI/CD-процесс с ИИ, проверите код на корректность и безопасность, лицензии и стиль. Научитесь работать с нейросетью, как с ассистентом Резервное копирование. Напишете программу для резервного копирования фотографий из профиля пользователя социальной сети в облачное хранилище на Python Командная разработка чат-бота. С помощью Python в команде разработаете бота и настроите его взаимодействие с базами данных Адаптивная вёрстка сайта. Сверстаете адаптивные макеты сайта для мобильных, десктопных устройств и планшетов Разработка облачного хранилища. Создадите облачный сервис для резервного копирования изображений с помощью JavaScript и инструментов разработчика в браузере DevTools Создание онлайн-игры. На основе разработанного UI и базовых классов переведёте проект на работу с npm, Babel, Webpack, ESLint и допишете функциональность двухмерной игры в стиле фэнтези Разработка бота-органайзера. Создадите бота-помощника для хранения и работы с информацией: разработаете его архитектуру, интерфейс и функционал Создание приложения онлайн-магазина. Освоите постраничный роутинг, создание статичных страниц, баннеров, настроите работу каталога и оформления заказа, подключите Redux Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

О курсе Получите навыки для работы с классическим ML и нейросетями без глубокого погружения в математику. За 5 месяцев освоите анализ данных — сможете начать работать и набираться опыта Чему вы научитесь Сбор и подготовка данных для анализа Написание SQL-запросов для получения данных Выбор и создание признаков для модели Выбор и реализация алгоритма под задачу Группировка и фильтрация данных Создание и обучение нейросетей Применение в работе ключевых математических методов и основ статистики Прогнозирование событий на основе данных Работа с базовыми архитектурами нейросетей, сборка моделей с помощью Keras/TensorFlow Практика и проекты Основы аналитики. Разработаете систему аналитики для учёта и планирования отпусков. Построите систему анализа домашней бухгалтерии на основе ваших данных Машинное обучение. Построите несколько моделей. Например, классифицируете клиентов банка по уровню дохода и проведёте разведочный анализ данных SQL. Развернёте и проанализируете базу данных об авиаперевозках Математика. По косинусной метрике найдёте наиболее похожих друг на друга пользователей на основе их оценок, поставленных за фильм Python. Проанализируете уровень удовлетворённости сотрудников работой. Построите модель LDA, предсказывающую, уволится ли сотрудник Основы практической статистики. Исследуете данные о поездках в такси, выберете нужный статистический критерий, чтобы проверить гипотезу о выборе класса машин для дальних поездок Машинное обучение в медицине. Разработаете ML-модель, которая будет классифицировать пациентов с болезнями сердца Что входит в обучение 1−2 раза в месяц встречаемся с выпускниками и студентами, разбираем полезные для профессионального роста темы Разбираем требования рынка для аналитиков с представителями компаний и нанимающими менеджерами Делимся историями успехов и поражений, узнаём о рынке, чужом опыте и тенденциях профессий Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

О курсе Старт в профессии с нуля, достаточно знаний и навыков для начала работы через 5 месяцев обучения Навыки для карьерного роста: deep learning, разработка и обучение нейросетей, а также профильная специализация в медицине или промышленности Что входит в обучение Получите реальный опыт работы и рекомендации по трудоустройству Изучите deep learning и нейросети, сможете углубиться в медицину или промышленность Получите возможность побороться за призы и повысить рейтинг в Kaggle с поддержкой ментора Выполните итоговую работу по собственному или учебному проекту Во время обучения и ещё 12 месяцев после окончания курса Сможете посещать встречи, общаться с коллегами и экспертами Чему вы научитесь Сбор, очистка и подготовка данных для анализа Извлечение данных из баз с помощью SQL и их первичный анализ Выбор и создание признаков для модели, алгоритма под задачу Решение задач классификации, регрессии, кластеризации и прогнозирования Проектирование и обучение ИИ для разных типов данных Разработка моделей компьютерного зрения: классификация, детекция, генерация Создание NLP-решений: от генерации текста до семантического поиска и перевода Построение рекомендательных систем и работа с последовательностями данных Проведение эффективных переговоров и публичное представление результатов Работа с базовыми архитектурами нейросетей, сборка моделей с помощью Keras/TensorFlow Практика и проекты Основы аналитики. Разработаете систему аналитики для учёта и планирования отпусков. Построите систему анализа домашней бухгалтерии на основе ваших данных Deep learning. Сделаете генератор лиц аниме на основе предложенного датасета. Обучите нейросеть для генерации покемонов Аналитика больших данных. С нуля создадите систему рекомендаций фильмов для онлайн-кинотеатра на основании оценок пользователей Математика. По косинусной метрике найдёте наиболее похожих друг на друга пользователей на основе их оценок, поставленных за фильм NLP. Классифицируете по тональности отзывы на банки SQL. Развернёте и проанализируете базу данных об авиаперевозках Python. Проанализируете уровень удовлетворённости сотрудников работой. Построите модель LDA, предсказывающую, уволится ли сотрудник Машинное обучение. Построите несколько моделей. Например, классифицируете клиентов банка по уровню дохода и проведёте разведочный анализ данных Компьютерное зрение. Классифицируете улов по снимкам с камеры на рыболовецком судне, обучите модель распознавать котов и собак на фото Финальный хакатон. В команде с одногруппниками построите модель машинного обучения для решения конкурсной задачи Основы практической статистики. Исследуете данные о поездках в такси, выберете нужный статистический критерий, чтобы проверить гипотезу о выборе класса машин для дальних поездок Data Science в фармацевтике. Предскажете динамику продаж лекарственных средств в аптеках. Проведёте кластеризацию аптечных сетей и парсинг государственных закупок по 223-ФЗ и 44-ФЗ в медицине Медицинские тексты. Проведёте кластеризацию текстов медицинских исследований Covid-19, обнаружите закономерности Медицинские снимки. Используете детекцию пневмонии на рентгеновских снимках для своевременного определения тактики лечения Что входит в обучение 1−2 раза в месяц встречаемся с выпускниками и студентами, разбираем полезные для профессионального роста темы Разбираем требования рынка для аналитиков с представителями компаний и нанимающими менеджерами Делимся историями успехов и поражений, узнаём о рынке, чужом опыте и тенденциях профессий Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

О курсе Разработка ИИ-продуктов на больших языковых моделях: от промптов до готовых ИИ-агентов Работа с локальными и российскими моделями, поиск по документам (RAG), встраивание в готовые продукты Помощь с поиском работы, персональные консультации экспертов Яндекса, Microsoft, Amazon и других компаний Чему вы научитесь Разработка на Python для обработки данных и автоматизации Проектирование архитектуры кода и сервисов с ООП Обучение, валидация и оценка ML-моделей по метрикам Понимание принципов работы нейросетей и выстраивания ML-пайплайнов Применение промпт-инжиниринга для решения бизнес-задач Интеграция и адаптация больших языковых моделей (LLM) Создание и оптимизация RAG-систем с векторными базами данных Проектирование, доработка и развёртывание ИИ-агентов (fine-tuning) Обеспечение безопасности и управление рисками ИИ-сервисов Практика и проекты LLM-ассистент для пользовательских запросов. Разработаете приложение, которое использует языковую модель через API: пишет промпты, обрабатывает ответы, учитывает ошибки и вопросы безопасности Резервное копирование. Напишете программу для резервного копирования аватаров — фотографий из профиля пользователя соцсети — в облачное хранилище Классификация обращений пользователей. Создадите свою первую модель машинного обучения, которая будет автоматически сортировать обращения пользователей по темам ИИ-агент инфраструктурной поддержки. Разработаете ИИ-агента с логикой, памятью и инструментами. Интегрируете с RAG и LLM, развенёте его в Yandex Cloud Корпоративный Q&A-ассистент. Построите RAG-систему для ответов на вопросы по внутренним документам компании: подготовите данные, настроите поиск и интеграцию с LLM Как проходит обучение Изучаете материалы в личном кабинете В нём хранятся видеолекции, записи вебинаров, практические задания, тесты и квизы. Вы занимаетесь по расписанию, но всегда можете вернуться к нужной теме. Записи занятий хранятся в личном кабинете 3 года. Получаете обратную связь по выполненным заданиям Эксперты дают развёрнутую обратную связь: записывают видео, пишут сообщения и отвечают на вопросы на вебинарах. Получаете поддержку от наставников Наставники помогут разобраться в сложной теме, получить ответы и выполнить задания. Координаторы отвечают на организационные вопросы, напоминают о дедлайнах и мотивируют двигаться к цели. Учитесь в удобном для вас темпе На курсах есть расписание, но если вы понимаете, что не успеваете, то можно двигать дедлайны по заданиям, смотреть вебинары в записи и приостанавливать обучение на срок до 6 месяцев. Расписание и нагрузка Онлайн-занятия проходят по расписанию до 2 раз в неделю после 19:00 мск В среднем на учёбу нужно до 10 часов в неделю, но вы можете ускорить или замедлить курс Если нужно — есть возможность приостановить курс на срок до 6 месяцев на любом этапе курса

Что входит в обучение Сможете получать данные, фильтровать, агрегировать, а также импортировать и экспортировать информацию Будете пользоваться основными инструментами и подходами в Python, чтобы работать с данными Поймёте, как генерировать гипотезы, подбирать алгоритмы и метрики под задачу для разных моделей Разберётесь, как собирать необходимые признаки из бизнес-процесса, создавать веб-сервис для работы модели Научитесь дорабатывать и улучшать существующие модели в различных сценариях Узнаете, как строить конвейеры обработки данных, автоматизировать ML-пайплайн Практика и проекты Создание алгоритма классического ML. Классифицируете базовыми ансамблевыми методами пациентов по проблемам с сердцем и сократите число цветов в палитре изображения с помощью моделей кластеризации. Применение математики и статистики. По косинусной метрике найдёте наиболее похожих друг на друга пользователей на основе их оценок, поставленных за фильм. Создание нескольких нейросетей. Сможете сами выбрать интересные проекты для реализации. Например, построите и обучите свёрточную сеть для классификации изображений. Настройка окружения и обучение модели. Установите необходимые конфигурации и проведёте обучение для заданной модели.