Data Scientist από το μηδέν έως το PRO - μάθημα RUB 233.640. από το SkillFactory, εκπαίδευση 24 μηνών, Ημερομηνία 15 Αυγούστου 2023.

ΒΑΣΗ

Σε αυτό το στάδιο, θα μάθετε τα βασικά του προγραμματισμού στην Python, θα μάθετε πώς να προεπεξεργάζεστε και να αναλύετε δεδομένα και επίσης να εξοικειωθείτε με τα κύρια καθήκοντα ενός επιστήμονα δεδομένων.

Εισαγωγή - 1 εβδομάδα

Θα είστε σε θέση να διαμορφώσετε πραγματικούς στόχους μάθησης για τον εαυτό σας, να μάθετε ποια είναι η αξία του DS για τις επιχειρήσεις, εξοικειωθείτε με τα κύρια καθήκοντα ενός επιστήμονα δεδομένων και κατανοήστε πώς η ανάπτυξη οποιουδήποτε Έργο DS.
ΕΙΣΑΓΩΓΗ-1. Πώς να μελετάτε αποτελεσματικά - ενσωμάτωση στην εκπαίδευση
ΕΙΣΑΓΩΓΗ-2. Επισκόπηση επαγγέλματος. Τύποι προβλημάτων στην Επιστήμη των Δεδομένων. Στάδια και προσεγγίσεις για την ανάπτυξη ενός έργου Data Science

Σχεδιασμός ανάπτυξης - 5 εβδομάδες

Θα μάθετε να εργάζεστε με βασικούς τύπους δεδομένων χρησιμοποιώντας Python και θα μπορείτε να χρησιμοποιείτε κατασκευές βρόχου, προτάσεις υπό όρους και συναρτήσεις στην καθημερινή σας εργασία.
PYTHON-1. Βασικά στοιχεία Python
PYTHON-2. Κατάδυση στους τύπους δεδομένων
PYTHON-3. Δηλώσεις υπό όρους
PYTHON-4. Κύκλοι
PYTHON-5. Λειτουργίες και λειτουργικός προγραμματισμός
PYTHON-6. Πρακτική
PYTHON-7. Οδηγός στυλ Python (μπόνους)

Βασικά Μαθηματικά - 7 εβδομάδες

ΜΑΘΗΜΑΤΙΚΑ-1. Αριθμοί και εκφράσεις
ΜΑΘΗΜΑΤΙΚΑ-2. Εξισώσεις και ανισώσεις
ΜΑΘΗΜΑΤΙΚΑ-3. Βασικές έννοιες της θεωρίας συναρτήσεων
ΜΑΘΗΜΑΤΙΚΑ-4. Βασικά στοιχεία της γεωμετρίας: επιπεδομετρία, τριγωνομετρία και στερεομετρία
ΜΑΘΗΜΑΤΙΚΑ-5. Σύνολα, λογική και στοιχεία στατιστικών
ΜΑΘΗΜΑΤΙΚΑ-6. Συνδυαστική και βασικά στοιχεία της θεωρίας πιθανοτήτων
ΜΑΘΗΜΑΤΙΚΑ-7. Επίλυση προβλήματος

Εργασία με δεδομένα - 8 εβδομάδες 

Σε αυτό το στάδιο, θα κατακτήσετε βασικές δεξιότητες δεδομένων: πώς να προετοιμάζετε, να καθαρίζετε και να μετατρέπετε δεδομένα ώστε να είναι κατάλληλα για ανάλυση. Μιλώντας για ανάλυση: θα αναλύσετε δεδομένα χρησιμοποιώντας τις δημοφιλείς βιβλιοθήκες Matplotlib, Seaborn, Plotly.

PYTHON-8. Εργαλεία Επιστήμης Δεδομένων
PYTHON-9. Βιβλιοθήκη NumPy
PYTHON-10. Εισαγωγή στα Πάντα
PYTHON-11. Βασικές τεχνικές εργασίας με δεδομένα στα Pandas
PYTHON-12. Προηγμένες τεχνικές δεδομένων στα Pandas
PYTHON-13. Καθαρισμός δεδομένων
PYTHON-14. Οπτικοποίηση δεδομένων
PYTHON-15. Αρχές OOP στην Python και κώδικας εντοπισμού σφαλμάτων (προαιρετική ενότητα)
Έργο 1. Αναλύσεις συνόλου δεδομένων για κλειστά ζητήματα

Φόρτωση δεδομένων - 6 εβδομάδες

Θα μπορείτε να κάνετε λήψη δεδομένων από διαφορετικές μορφές και πηγές. Και η SQL, μια δομημένη γλώσσα ερωτημάτων, θα σας βοηθήσει σε αυτό. Θα μάθετε να χρησιμοποιείτε αθροιστικές συναρτήσεις, ενώσεις πινάκων και σύνθετες ενώσεις.
PYTHON-16. Πώς να κατεβάσετε δεδομένα από αρχεία διαφορετικών μορφών
PYTHON-17. Ανάκτηση δεδομένων από πηγές Ιστού και API
SQL-0. Γεια σου SQL!
SQL-1. Βασικά στοιχεία SQL
SQL-2. Συγκεντρωτικές συναρτήσεις
SQL-3. Συνένωση τραπεζιών
SQL-4. Σύνθετες ενώσεις
Έργο 2. Φόρτωση νέων δεδομένων. Διευκρίνιση της ανάλυσης

Στατιστική ανάλυση δεδομένων - 7 εβδομάδες 

Η Ανάλυση Δεδομένων Νοημοσύνης (EDA) είναι αυτό που θα επικεντρωθείτε. Θα εξοικειωθείτε με όλα τα στάδια μιας τέτοιας ανάλυσης και θα μάθετε πώς να τη διεξάγετε χρησιμοποιώντας τις βιβλιοθήκες Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Επιπλέον, θα μπορείτε να εργαστείτε στο Kaggle, μια δημοφιλή υπηρεσία για τη συμμετοχή σε διαγωνισμούς.
ΕΔΑ-1. Εισαγωγή στην ανάλυση δεδομένων νοημοσύνης. Αλγόριθμοι και Μέθοδοι EDA
ΕΔΑ-2. Μαθηματική στατιστική στο πλαίσιο της ΕΔΑ. Τύποι χαρακτηριστικών
ΕΔΑ-3. Μηχανική Χαρακτηριστικών
ΕΔΑ-4. Στατιστική ανάλυση δεδομένων σε Python
ΕΔΑ-5. Στατιστική ανάλυση δεδομένων σε Python. Μέρος 2ο
ΕΔΑ-6. Σχεδιασμός πειραμάτων
ΕΔΑ-7. Πλατφόρμα Kaggle
Έργο 2

Εισαγωγή στη Μηχανική Μάθηση - 9 εβδομάδες

Θα εξοικειωθείτε με τις βιβλιοθήκες ML για τη μοντελοποίηση εξαρτήσεων δεδομένων. Θα είστε σε θέση να εκπαιδεύσετε τους κύριους τύπους μοντέλων ML, να εκτελέσετε επικύρωση, να ερμηνεύσετε τα αποτελέσματα της εργασίας και να επιλέξετε σημαντικά χαρακτηριστικά (σημασία χαρακτηριστικών).
ML-1. Θεωρία μηχανικής μάθησης
ML-2. Εποπτευόμενη Μάθηση: Παλινδρόμηση
ML-3. Εποπτευόμενη Μάθηση: Ταξινόμηση
ML-4. Χωρίς επίβλεψη μάθηση: Τεχνικές ομαδοποίησης και μείωσης διαστάσεων
ML-5. Επικύρωση δεδομένων και αξιολόγηση μοντέλου
ML-6. Επιλογή και επιλογή χαρακτηριστικών
ML-7. Βελτιστοποίηση υπερπαραμέτρων μοντέλου
ML-8. ML Βιβλίο μαγειρικής
Έργο 3. Πρόβλημα ταξινόμησης

ΚΥΡΙΑ ΜΟΝΑΔΑ

Γραμμική άλγεβρα, μαθηματική ανάλυση, διακριτά μαθηματικά - ακούγεται τρομακτικό, αλλά μην φοβάστε: θα αναλύσουμε όλα αυτά τα θέματα και θα σας μάθουμε πώς να τα δουλέψετε! Στο δεύτερο στάδιο, θα βουτήξετε στα μαθηματικά και στα βασικά της μηχανικής μάθησης, θα μάθετε περισσότερα για τα επαγγέλματα του DS και, μέσω του επαγγελματικού προσανατολισμού, θα επιλέξετε ένα δεύτερο έτος σπουδών.

Μαθηματικά και μηχανική μάθηση. Μέρος 1 - 6 εβδομάδες

Θα είστε σε θέση να λύσετε πρακτικά προβλήματα χρησιμοποιώντας χειροκίνητο υπολογισμό και Python (υπολογισμοί διανυσμάτων και πινάκων, εργασία με σύνολα, μελέτη συναρτήσεων χρησιμοποιώντας διαφορική ανάλυση).
MATH&ML-1. Γραμμική άλγεβρα στο πλαίσιο Γραμμικών μεθόδων. Μέρος 1
MATH&ML-2. Γραμμική άλγεβρα στο πλαίσιο Γραμμικών μεθόδων. Μέρος 2ο
MATH&ML-3. Μαθηματική ανάλυση στο πλαίσιο ενός προβλήματος βελτιστοποίησης Μέρος 1
MATH&ML-4. Μαθηματική ανάλυση στο πλαίσιο ενός προβλήματος βελτιστοποίησης. Μέρος 2ο
MATH&ML-5. Μαθηματική ανάλυση στο πλαίσιο ενός προβλήματος βελτιστοποίησης. Μέρος 3
Έργο 4. Πρόβλημα παλινδρόμησης

Μαθηματικά και μηχανική μάθηση. Μέρος 2 - 6 εβδομάδες

Θα εξοικειωθείτε με τις βασικές έννοιες της θεωρίας πιθανοτήτων και της μαθηματικής στατιστικής, αλγόριθμων ομαδοποίηση, και επίσης να μάθουν να αξιολογούν την ποιότητα της ομαδοποίησης που εκτελείται και να παρουσιάζουν τα αποτελέσματα γραφική μορφή.
MATH&ML-6. Η θεωρία πιθανοτήτων στο πλαίσιο ενός ταξινομητή Naive Bayes
MATH&ML-7. Αλγόριθμοι που βασίζονται σε Δέντρα Αποφάσεων
MATH&ML-8. Ενίσχυση & Στοίβαξη
MATH&ML-9. Τεχνικές ομαδοποίησης και μείωσης διαστάσεων. Μέρος 1
MATH&ML-10. Τεχνικές ομαδοποίησης και μείωσης διαστάσεων. Μέρος 2ο
Έργο 5. Μέθοδοι συνόλου

Διακριτά Μαθηματικά - 4 εβδομάδες

MATH&MGU-1 Σύνολα και συνδυαστική
MATH&MGU-2 Logic
Γραφήματα MATH&MGU-3. Μέρος 1
Γραφήματα MATH&MGU-4. Μέρος 2ο

ML στην επιχείρηση - 8 εβδομάδες

Θα μάθετε να χρησιμοποιείτε βιβλιοθήκες ML για την επίλυση προβλημάτων χρονοσειρών και συστημάτων συστάσεων. Θα μπορείτε να εκπαιδεύσετε ένα μοντέλο ML και να το επικυρώσετε, καθώς και να δημιουργήσετε ένα λειτουργικό πρωτότυπο και να εκτελέσετε το μοντέλο στη διεπαφή ιστού. Και επίσης αποκτήστε δεξιότητες δοκιμής A/B, ώστε να μπορείτε να αξιολογήσετε το μοντέλο.
MATH&ML-11. Χρονική σειρά. Μέρος 1
MATH&ML-12. Χρονική σειρά. Μέρος 2ο
MATH&ML-13. Συστήματα συστάσεων. Μέρος 1
MATH&ML-14. Συστήματα συστάσεων. Μέρος 2ο
ΠΡΟΔ-1. Προετοιμασία του μοντέλου για παραγωγή
ΠΡΟΔ-2. PrototypeStreamlit+Heroku
ΠΡΟΔ-3. Επιχειρηματική κατανόηση. Υπόθεση
Έργο 6. Θέμα για να επιλέξετε: Χρονοσειρές ή Συστήματα Προτάσεων

PRO ΕΠΙΠΕΔΟ

Στο τρίτο στάδιο, θα εξοικειωθείτε με μία από τις μεθόδους μηχανικής μάθησης - τη βαθιά μάθηση (DL). Και επίσης σας περιμένει ένα πλήρες τμήμα της επιλεγμένης εξειδίκευσης: μπορείτε να κατακτήσετε δεξιότητες μηχανικής μάθησης (ML), εξοικειωθείτε με τη ρουτίνα του CV (όραση υπολογιστή) ή βελτιώστε το NLP*, φυσική επεξεργασία Γλώσσα.

Δεύτερο έτος σπουδών - 3 ειδικότητες για να διαλέξετε

Επαγγελματικός προσανατολισμός

ML, CV ή NLP: σε αυτό το στάδιο πρέπει επιτέλους να επιλέξετε ποιο μονοπάτι θα ακολουθήσετε. Θα σας πούμε για κάθε εξειδίκευση και θα σας προσφέρουμε να λύσετε πολλά πρακτικά προβλήματα για να σας διευκολύνουμε να αποφασίσετε.

Track ML - μηχανικός

Στο κομμάτι ML, θα μάθετε να επιλύετε σε βάθος προβλήματα μηχανικής μάθησης, να κυριαρχείτε στις ικανότητες ενός μηχανικού δεδομένων και να ακονίζετε τις δεξιότητές σας στην εργασία με βιβλιοθήκες Python. Θα μάθετε επίσης πώς να δημιουργείτε μια MVP (ελάχιστη βιώσιμη έκδοση ενός προϊόντος), να μάθετε όλες τις περιπλοκές της παραγωγής ενός μοντέλου ML στην παραγωγή και να μάθετε πώς λειτουργούν οι μηχανικοί ML στην πραγματική ζωή.
Εισαγωγή στη Βαθιά Μάθηση
Βασικά στοιχεία Μηχανικής Δεδομένων
Πρόσθετα κεφάλαια Python και ML
Οικονομική αξιολόγηση επιπτώσεων και ανάπτυξη MVP
ML στην Παραγωγή
Σε βάθος μελέτη ανάπτυξης ML και έργου αποφοίτησης σε επιλεγμένο θέμα

Παρακολούθηση βιογραφικού - μηχανικός

Στο κομμάτι του βιογραφικού θα μάθετε να επιλύετε προβλήματα όρασης υπολογιστή όπως ταξινόμηση εικόνων, τμηματοποίηση και ανίχνευση, δημιουργία εικόνων και στυλιζάρισμα, αποκατάσταση και βελτίωση ποιότητας φωτογραφίες. Επιπλέον, θα μάθετε πώς να αναπτύξετε νευρωνικά δίκτυα στην παραγωγή.
Εισαγωγή στη Βαθιά Μάθηση
Βασικά στοιχεία Μηχανικής Δεδομένων
Πρόσθετα κεφάλαια Python και ML
Οικονομική αξιολόγηση επιπτώσεων και ανάπτυξη MVP
ML στην Παραγωγή
Σε βάθος μελέτη ανάπτυξης ML και έργου αποφοίτησης σε επιλεγμένο θέμα

Track NLP - μηχανικός

Κατά τη διάρκεια της εκπαίδευσης στην πίστα NLP, θα μάθετε πώς να επιλύετε τα κύρια προβλήματα της επεξεργασίας φυσικής γλώσσας, στο συμπεριλαμβανομένης της ταξινόμησης, της σύνοψης και της δημιουργίας κειμένου, της αυτόματης μετάφρασης και της δημιουργίας διαλόγου συστήματα
Εισαγωγή στη Βαθιά Μάθηση
Μαθηματικά Νευρωνικών Δικτύων για NLP
Hard & Software για την επίλυση προβλημάτων NLP
Εργασίες και αλγόριθμοι NLP
Τα νευρωνικά δίκτυα στην παραγωγή
Σε βάθος μελέτη του έργου ανάπτυξης και αποφοίτησης NLP σε επιλεγμένο θέμα

Εάν επιλέξετε την εξειδίκευση βιογραφικού ή ML, μπορείτε να παρακολουθήσετε δωρεάν το μάθημα NLP χωρίς υποστήριξη μέντορα.

Deep Learning και Νευρωνικά Δίκτυα

Πού χρησιμοποιούνται τα νευρωνικά δίκτυα; Πώς να εκπαιδεύσετε ένα νευρωνικό δίκτυο; Τι είναι το Deep Learning; Θα μάθετε τις απαντήσεις σε αυτές τις ερωτήσεις στην ενότητα μπόνους του DL.

Εισαγωγή στη Μηχανική Δεδομένων

Θα μάθετε τη διαφορά μεταξύ των ρόλων ενός επιστήμονα δεδομένων και ενός μηχανικού δεδομένων, ποια εργαλεία χρησιμοποιεί ο τελευταίος στη δουλειά του και ποιες εργασίες επιλύει σε καθημερινή βάση. Οι λέξεις "νιφάδα χιονιού", "αστέρι" και "λίμνη" θα αποκτήσουν νέα σημασία :)