Наука о данных: профессиональный уровень (Data Science PRO)

Анализ данных и искусственный интеллект

Программа профессиональной переподготовки «Наука о данных: профессиональный уровень (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 «Наука о данных: профессиональный уровень (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, машинное обучение (ML) и ИИ, а также освоить современные инструменты и библиотеки
Менеджеры ИТ- и проектов по работе с данными (data-проекты), которые хотят понимать, как применять методы Науки о данных 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 Науки о данных

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 больших данных (Big Data), источники данных, их характеристики, типы структурированности и статистические методы анализа
Разбираться в реляционных базах данных, моделировании данных, запросах SQL (SQL-запрос) и системах хранения данных
Работать с языком программирования Python для анализа данных — освоите типы данных, функции, классы, а также ключевые библиотеки программирования: NumPy, SciPy, Pandas, Matplotlib, Seaborn и Plotly
Понимать архитектуру машинного обучения ML-пайплайнов (процессов машинного обучения), основные алгоритмы машинного обучения (регрессия, классификация, ансамбли, нейронные сети), методы снижения размерности и кластеризации
Применять вероятностные классификаторы, оценивать качество алгоритмов с использованием метрики качества ROC-AUC, матрицы ошибок (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 модели машинного обучения (ML-модели) в ИТ-среду, работать с предобученными моделями, создавать фласк-приложения (Flask-приложения), использовать системы контроля версий и облачные платформы для проектов Науки о данных

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

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 Науки о данных на примерах, максимально приближенных к задачам компаний.

Создавать базы данных и строить запросы SQL (SQL-запрос), работать с программой PGAdmin
Визуализировать данные в интерактивном блокноте Jupyter Notebook с использованием Python-библиотек
Строить ML-пайплайны (процессы машинного обучения) и применять их для решения реальных задач в данной сфере
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 (Алгоритмы 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 модели машинного обучения (ML-модели) в приложения, работать с фласк (Flask), предобученными моделями и облачными платформами для запуска проектов

Почему программу «Наука о данных: профессиональный уровень (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 «Наука о данных: профессиональный уровень (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.

Срок действия акции: до 31 июля

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

Наука о данных: профессиональный уровень (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