Data Science PRO

Анализ данных и искусственный интеллект

Программа профессиональной переподготовки «Data Science Pro» создана для освоения ключевых технологий и методов анализа данных и рассчитана на тех, кто хочет получить востребованную цифровую профессию специалиста по большим данным, начиная с базового уровня.

Курс сочетает большое количество практических заданий с лекциями, вебинарами и консультациями. Обучение ведут опытные преподаватели и практикующие разработчики — кандидаты технических наук и доценты МГТУ им. Н.Э. Баумана. Слушателей ждут интересные домашние задания, персонализированная обратная связь и расширенные учебные материалы.

Для кого курс «Data Science Pro»?

Начинающие специалисты в области данных, которые хотят развить навыки анализа, статистики, машинного обучения и программирования для работы с большими данными.
Аналитики, уже работающие с данными и стремящиеся углубить знания в машинном обучении, статистике, обработке данных и создании прогнозных моделей.
Программисты и разработчики, желающие расширить компетенции в работе с данными, ML и ИИ, а также освоить современные инструменты и библиотеки.
Менеджеры IT- и data-проектов, которые хотят понимать, как применять методы Data Science для решения практических бизнес-задач.
Специалисты по бизнес-аналитике, которым важно овладеть более глубокими навыками обработки, анализа и визуализации данных для принятия эффективных управленческих решений.
Студенты и выпускники математических, инженерных и технических направлений, желающие освоить современные методы обработки и анализа данных в рамках Data Science.

Программа разработана для знакомства с основными технологиями и подходами анализа данных и предназначена для тех, кто хочет освоить новую востребованную цифровую профессию специалиста по большим данным, начиная с базового уровня.

Теоретическая часть курса – вы научитесь:

Понимать основные концепции Big Data, источники данных, их характеристики, типы структурированности и статистические методы анализа.
Разбираться в реляционных базах данных, моделировании данных, SQL-запросах и системах хранения данных.
Работать с Python для анализа данных — освоите типы данных, функции, классы, а также ключевые библиотеки: NumPy, SciPy, Pandas, Matplotlib, Seaborn и Plotly.
Понимать архитектуру ML-пайплайнов, основные алгоритмы машинного обучения (регрессия, классификация, ансамбли, нейронные сети), методы снижения размерности и кластеризации.
Применять вероятностные классификаторы, оценивать качество алгоритмов с использованием ROC-AUC, confusion matrix.
Понимать методы работы с нейронными сетями, сверточными сетями и сетями Кохонена, включая борьбу с переобучением.
Разбираться в принципах создания рекомендательных систем, коллаборативной и контентной фильтрации.
Интегрировать ML-модели в IT-среду, работать с предобученными моделями, создавать Flask-приложения, использовать системы контроля версий и облачные платформы для проектов Data Science.

На курсе вы не просто изучите теорию — вы сразу приступите к практике и освоите востребованные навыки, которые применяются в индустрии Data Science. Сможете создавать базы данных и SQL-запросы, визуализировать данные в Jupyter Notebook, строить ML-пайплайны и применять их для задач машинного обучения.

Обучение через практику – навыки, которые реально работают

Чтобы знания не оставались только теорией, курс построен вокруг практических заданий и кейсов. Такой подход помогает быстрее понять материал и закрепить его на уровне конкретных действий. Вы будете отрабатывать инструменты Data Science на примерах, максимально приближенных к задачам компаний.

Создавать базы данных и строить SQL-запросы, работать с PGAdmin.
Визуализировать данные в Jupyter Notebook с использованием Python-библиотек.
Строить ML-пайплайны и применять их для решения реальных задач машинного обучения.
Подготавливать и балансировать датасеты, нормализовать данные, выявлять аномалии и обрабатывать категориальные признаки.
Применять алгоритмы кластеризации и методы снижения размерности на практических кейсах.
Реализовывать классификацию с оценкой точности моделей на реальных данных.
Создавать и применять ансамбли классификаторов (Random Forest, AdaBoost, Bagging, Boosting, Stacking) для анализа различных кейсов.
Прогнозировать показатели с помощью регрессионных моделей и временных рядов.
Разрабатывать приложения с нейронными сетями для анализа изображений и данных.
Создавать рекомендательные системы для бизнеса.
Интегрировать ML-модели в приложения, работать с Flask, предобученными моделями и облачными платформами для запуска проектов.

Почему программу «Data Science Pro» выбирают специалисты?

Глубокие фундаментальные знания, актуальная необходимая теория и много прикладной практики.
Комплексная образовательная структура, охватывающая ключевые аспекты архитектуры данных.
Занятия с ведущими преподавателями-практиками МГТУ им. Н.Э. Баумана и профильными экспертами.
Гибкий формат обучения. Обучение проводится в онлайн-формате, что позволяет слушателям учиться в удобное время и из любого места.
Поддержка и обратная связь. После каждого учебного модуля предоставляются консультации преподавателей в формате онлайн, а также оперативная поддержка в чате по всем вопросам обучения.
Доступ к пройденным материалам в течение четырёх месяцев после окончания курса, что позволяет повторно ознакомиться с материалом и закрепить знания.

После успешного освоения программы курса и итоговой аттестации выпускники получат диплом о профессиональной переподготовке МГТУ им. Н.Э. Баумана.

Программа профессиональной переподготовки «Data Science PRO» предназначена для начинающих специалистов. Если у вас уже есть базовые знания работы с данными, рекомендуем обратить внимание на другие курсы, предназначенные для углубленного и продвинутого изучения наиболее востребованных профессий в данной области:

Для определения уровня вашей подготовки рекомендуем пройти бесплатное тестирование.

Записаться на курс Узнать свой уровень знания Data Science Связаться и узнать подробнее

Программа курса

17 тематических
модулей

262 академических
часа

147 аудиторных
часов

Анализ данных и искусственный интеллект

Data Science PRO

Программа курса в PDF

Записаться на курс Связаться и узнать подробнее

В этом курсе вас ожидает

17 тематических
модулей

262 академических
часа

Введение в Big data. Знакомство с основными понятиями. Статистика.

Введение в предмет.
Какие бывают источники данных, характеристики, корреляция.
Типы структурированности данных.
Введение в статистику. Типы распределений данных. Проверка гипотез, матрицы ошибок.
Структуры данных.
Техническое задание и требование к проекту Big data, data science.

Базы данных, их типы и моделирование. Взаимодействие пользователей с данными.

Системы хранения данных. Базы данных.
Реляционные базы данных и их моделирование.
PGAdmin. SQL, синтаксис обращения к базам данных. Простые и сложные запросы.
Решение практического кейса: «Создание базы данных университета».

Языки программирования, среды исполнения и основные операционные системы, которые используются в задачах Big Data

Введение в Python, среды исполнения (IDE).
Типы данных в Python. Базовые конструкции и структуры.
Циклы и условия.
Функции и классы.
Библиотеки Numpy, Scipy для научных вычислений.
Библиотека Pandas, как стандарт исследования данных.
Визуализация в Python и срезы данных. Библиотеки Matplotlib, seaborn, plotly.
Работа с командной строкой. Linux, Wiпdows.
Решение практического кейса: «Визуализация данных с использованием основных библиотек языка программирования Python в среде Jupyter Notebook».

Основной pipeline машинного обучения и dataflow. Облачные платформы

Piprline машинного обучения. Особенности архитектурных решений.
Sklearn - основная ML библиотека. Ленивые вычисления.
Решение практического кейса: «Создание пайплайна для проекта по машинному обучению с использованием библиотеки Sklearn».

Парсинг данных, подготовка выборки, препроцессинг и балансировка данных

Ключевые задачи в подготовке датасетов и их важность.
Нормализация и стандартизация. Поиск аномалий и выбросов. Методы обработки и визуализации.
Разбалансированные датасеты и методы балансировки. Доверительные интервалы.
Обработка категориальных признаков. LabelEncoder, One Hot encoding.
Решение практического кейса: «Применение техник препроцессинга данных для подготовки датасета к решению задач машинного обучения».

Обучение без учителя. Работа с размерностью и структурой данных

Обучение на размеченных и неразмеченных данных. Проблема снижения размерности данных.
Метод главных компонент (Principal Component Analysis).
Алгоритмы кластеризации. Метод k-means, c means, hierarchical clustering. Выбор алгоритма кластеризации.
Решение практического кейса: «Снижение размерности в задаче определения кредитного потенциала заемщика».
Решение практического кейса: «Кластеризация городов Российской Федерации по типу прироста (убыли) населения».

Теория вероятности и вероятностные классификаторы

Полная и условная вероятность, теорема Байеса Байесовский вероятностный классификатор.
Решение практического кейса: «Решение задачи классификации осколков стекла по их химическому составу «Glass Identification Data Set».

Классификация. Оценка качества алгоритма

Задача классификации. Матрица ошибок (Confusion matrix). Точность классификации.
Модель анализа ROC-AUC. Методы классификации. Метод ближайших соседей k-NN. Метод опорных векторов (SVM).
Решение практического кейса: «Оценка и классификация кредитного потенциала заемщиков».

Ансамбли и повышение точности алгоритмов

Ансамбли решателей.
Решающие деревья (Decision tree). Случайный лес (Random forest).
Ансамбли алгоритмов. Bagging, boosting, stacking.
Основы составления сеток обучения.
Решение практического кейса: «Решение задач медицинской диагностики с применением ансамблей классификаторов».
Решение практического кейса: «Решение задачи анализа сетевой активности с использованием алгоритма AdaBoost».

Регрессия

Линейная регрессия. Логистическая регрессия. Метод наименьших квадратов. Средняя квадратичная ошибка, средняя абсолютная ошибка.
Авторегрессия ARIMA.
Решение практического кейса: «Прогнозирование объемов продаж товаров торгового предприятия».
Решение практического кейса: «Оценка кредитоспособности клиентов банка - физических лиц».

Нейронные сети

Введение в искусственные нейронные сети.
Биологическая модель нейрона. Активационные функции.
Полносвязные нейронные сети.
Методы обучения нейронных сетей.
Борьба с переобучением.
Нейронные сети Кохонена.
Сверточные нейронные сети.
Решение практического кейса: «Моделирование объемов продаж торгового предприятия с использованием нейронных сетей».
Решение практического кейса: «Анализ банковского сектора с применением нейронных сетей Кохонена».

Промежуточная аттестация

Зачет.

Разработка компьютерных программ: написание программного кода и решение практических задач с применением нейронных сетей

Решение практического кейса: «Разработка приложения на языке программирования Python для решения задачи компьютерного зрения с использованием нейронных сетей».

Рекомендательные системы

Введение. Коллаборативная и Content-based фильтрация.
Сингулярное (SVD) разложение матрицы. Достоинства и недостатки.
Решение практического кейса: «Создание рекомендательной системы торгового предприятия».

Создание приложений, интеграция в ИТ ландшафт

Сортирование и сохранение моделей. Работа с предобученными моделями.
Flask приложение.
Выведение моделей в production.
Контроль версионности моделей с tensorflow sesrving.
Облачная платформа Kaggle для решения data science задач.
Решение практического кейса: «Создание flask приложения для запуска моделей машинного обучения».

Промежуточная аттестация