[Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024)

[Иван Аникин, Владимир Бугаевский] [Слёрм] Data Scientist (2024)

Data Scientist (2024) [Слёрм] [Иван Аникин, Владимир Бугаевский]
Это курс об автоматизации. Вы узнаете, как научить компьютеры «думать» самостоятельно.
Мы поможем уверенно стартовать в карьере в ML: вы сможете сделать итоговый проект на реальных данных. 30% теории. 70% практики.

Вы научитесь:
1. Анализировать и визуализировать большие объемы данных
2. Сводить бизнес-задачу в задачу машинного обучения
3. Работать с данными разных типов

Какими проектами может заниматься специалист по машинному обучению:
1. Создаст умный поиск, который поймет пользователя с полуслова и точно найдет то, что просит человек
2. Разработает алгоритм для персонифици-рованной рекламы в социальных сетях: чтобы клиенты точно нажали на рекламный баннер, который на 100% попадает в их сердечко
3. Придумает умного бота для общения с клиентами — «Алису 2.0» или голосового помощника «Игоря»
4. Получит информацию из данных компании и сможет предложить на их основе рабочую гипотезу для увеличения прибыли компании

Кому рекомендуем курс:
1. Разработчикам, работающим в кросс-функциональных командах вместе с Data Scientist’ами
На курсе мы даем специфику разработки ML-моделей, а с этими знаниями общаться с коллегами получается эффективнее и продуктивнее. Вы сможете внедрять новые решения и быть уверенными в том, что принесете прибыль проекту.

2. Software Engineer, Data Engineer, DevOps Engineer на уровне Middle
Вы сможете перейти в смежную профессиональную область и начать выполнять другие рабочие задачи. Ваш бэкграунд в дата-направлении поможет быстро перейти от уровня Junior Data Scientist до статуса продвинутого специалиста.

3. Уже знакомы с Python и хотите освоить новое рабочее направление
Data Scientist используют в своей работе библиотеки Python. Так что ваши умения пригодятся вам при переходе в новое направление. Знания линейной алгебры, теории вероятностей и математической статистики будет плюсом.

На курсе мы разбираем:
1. Основные алгоритмы и понятия классического машинного обучения
2. Применение машинного обучения в бизнес-задачах
3. Базовые подходы для построения нейронных сетей, фреймворк PyTorch для написаний нейронных сетей
4. Основные библиотеки для анализа данных: numpy, scipy, pandas, matplotlib

Какие инструменты освоите:
1. Библиотеки

Pandas
Numpy
Matplotlib
Scikit-learn
Xgboost
Lightgbm
Catboost
Hyperopt
2. Алгоритмы

KNN
Linear Regression
Logistic Regression
Clusterization
Decision Tree
Gradient Boosting
Программа курса:

Модуль 0 - Установочная сессия
Модуль 1 - Введение. Определение ML
Модуль 2 - Анализ данных как первый шаг к ML/DS
Модуль 3 - Постановка задачи машинного обучения на примере KNN
Встреча по темам 1-3
Модуль 4 - Валидация модели и подготовка данных
Модуль 5 - Обучение с учителем — регрессия
Модуль 6 - Обучение с учителем — классификация
Встреча по темам 4-6
Модуль 7 - Деревья решений
Модуль 8 - Обучение без учителя
Модуль 9 - Оптимизация ML-пайплайна
Встреча по темам 7-9 + объяснения итогового проекта
Модуль 10 - Итоговый проект
Модуль 11 - Введение в глубокое обучение (DL + CV)
Модуль 12 - Введение в обработку текстов (NLP)
Модуль 13 - Введение в рекомендательные системы (RecSys)
Модуль 14 - Обзор наиболее популярных бизнес-задач, решаемых с помощью ML. Маппинг задач на ранее пройденный материал
Модуль 15 - Проект
Встреча по доп. модулю + защита проектов