Текст площадки «Складчик». Упомянутые цены и обещанные результаты могут быть неактуальны; условия покупки проверяйте у продавца.
Курс Data Scientist ориентирован на начинающих разработчиков, знакомых с основами разработки на Python.
Читать полное описание
Курс Data Scientist [2021]
Level UP
Ирина
Курс Data Scientist ориентирован на начинающих разработчиков, знакомых с основами разработки на Python.
Программа обучения Data Science содержит большое количество практических задач на закрепление знаний, а также мини-проекты на протяжении курса.
Целью курса Data Scientist является понимание и умение применять на практике все необходимые технологии связанные с Data Science.
При успешном прохождении курса студент может претендовать на должность Junior Data Scientist или Junior Data Analyst.
Каждая из тем курса содержит практические примеры, а каждое занятие сопровождается домашним заданием для закрепления материала.
В конце курса разберем самые популярные вопросы для собеседования.
1. Введение. Терминология.
Рассмотрение различных ролей в AI-team и их навыков.
Различия/Сходства программирования и науки о данных.
Цикл разработки AI продукта.
Полезные ресурсы.
2. Python + Git
Вспоминаем
Закрепляем
Решаем задачки
3. JupyterLab + MarkDown
4. Data Engineering
Подготовка данных для обучения (feature engineering).
Способы сбора/поиска данных для обучения.
Анализ данных (в том числе визуализация).
Что такое ETL?
Базы данных
SQL (на примере MySQL).
NoSQL (на примере MongoDB).
Обзор терминов: Hadoop, Spark, Hive.
5. Modeling
ML (Classic models)
Типы:
Logistic Regression
Linear Regression
Decision Trees
Random Forest
XGBoost
Support Vector Machines (SVM)
K-means
K-Nearest Neighbors (K-NNs)
Principal Component Analysis (PCA)
Naive Bayes Classifier
Lasso/Ridge regression
Пакеты/Фреймворки для работы
Methods to train (initialization, optimization, regularization, and hyperparameter tuning).
Анализ результатов моделей, рекомендации.
Deep Learning
Типы:
Deep Neural Networks (DNNs) | Feed Forward Networks (FFNNs)
Recurrent Neural Network (RNN)
Long Short Term Memory (LSTM)
Convolutional Neural Network (CNN)
Пакеты/Фреймворки для работы
Methods to train (initialization, regularization, optimization, and transfer learning).
Анализ результатов моделей, рекомендации.
Математика для DS (базовые знания, ничего страшного)
Статистика (hypothesis testing, bias/variance tradeoffs, mean, variance, and mode).
Теория вероятностей (distributions, conditional probabilities, independence, Bayes theorem).
Математический анализ (derivatives, integrals)
Линейная алгебра (matrix vector operations, eigenvalues, eigenvectors, and combinatorics).
Математические функции (min/max/argmin/argmax...).
Математика для анализа данных (preprocessing, visualization and metrics such as
accuracy, R-squared, residuals, precision, and recall).
Обзор языка R.
6. Deployment
Что такое рефакторинг. Основные подходы.
Обзор AWS, Azure и аналогов.
Preparing files (usually model architecture and parameters) for deployment.
7. Business Analysis
Визуализация
Tableau
matplotlib
seaborn
Анализ того, что получилось на графиках (корреляция, среднее...).
8. Infrastructure
Базовые понятия GPU / CUDA
Docker + Linux terminal.
A/B testing
Unit & Functional tests
Классические алгоритмы и структуры данных (О-большое, понятие оптимизации).
9. Разбор классических вопросов на собеседовании