Обучение
- Подготовительные курсы
-
Программирование
- Промышленная разработка программного обеспечения на Java
- Промышленная разработка ПО на ASP.NET
- Разработка игр на Unity
- Курсы создания сайтов и Front-end разработки
- Разработка мобильных приложений под iOS
- Разработка мобильных приложений на Android
- Разработка веб-приложений на PHP
- Разработка веб-приложений на Python
- Разработка игр на С++
- Разработка на Node.js
- Программирование на Go (Golang)
- Реляционные базы данных и SQL
- Веб-разработка на Ruby on Rails
- Наука о данных
- Тестирование ПО
- Гуманитарные и экономические дисциплины в IT
- Управление проектами
- Бизнес-анализ
- Веб-дизайн и компьютерная графика
- Системное и сетевое администрирование
- Маркетинг и продажи
- Английский язык для IT
- IT Практикум
Обучение
- Программирование
- Промышленная разработка программного обеспечения на Java
- Промышленная разработка ПО на ASP.NET
- Разработка игр на Unity
- Курсы создания сайтов и Front-end разработки
- Разработка мобильных приложений под iOS
- Разработка мобильных приложений на Android
- Разработка веб-приложений на PHP
- Разработка веб-приложений на Python
- Разработка игр на С++
- Разработка на Node.js
- Программирование на Go (Golang)
- Реляционные базы данных и SQL
- Веб-разработка на Ruby on Rails
- Тестирование ПО
- Ручное тестирование ПО
- Автоматизированное тестирование на Python
- Автоматизированное тестирование на Java
- Автоматизированное тестирование на JavaScript
- Автоматизированное тестирование на C#
- Тестирование безопасности
- Гуманитарные и экономические дисциплины в IT
- Technical writing
- IT HR
- PR в IT
- Управление финансами в IT
Основы Data Science
Каждый день в мире генерируется огромное количество неструктурированной информации: счета в банковской системе, статистика запросов в поисковых системах, климатические исследования за определенный период, результаты спортивных состязаний… Ключевые слова в данном случае – «огромное количество» и «неструктурированной». Именно они лежат в основе Data Science: чтобы грамотно использовать такую информацию, улавливать закономерности, извлекать нужные сведения и строить прогнозы, необходимо применять математическую статистику и методы Machine Learning.
Хотите научиться работать с большими данными и освоить перспективную профессию Data scientist? Тогда выбирайте курс по основам Data Science в Могилёве! Чтобы попробовать свои силы в этой сфере, на старте необходимо уверенно знать язык программирования Python и быть на «ты» с математикой.
Технические требования к оборудованию слушателей дистанционных курсов.
Описание курса
Описание курса
Формы обучения
Условия отбора
Зачисление на курс производится на конкурсной основе по результатам:
-
выполнения тестового задания от тренера на знание основ математики и языка программирования Python;
-
теста по английскому языку.
Для кого этот курс
-
для разработчиков, желающих расширить свои компетенции;
-
для студентов старших курсов и выпускников технических ВУЗов, которые хотят повысить свои шансы на трудоустройство;
-
для аспирантов и соискателей научных степеней, желающих приобрести навыки решения научных и исследовательских задач с использованием современных информационных технологий;
-
для специалистов, желающих повысить свою компетенцию в области Data Mining, Big Data и Data Science.
Необходимая подготовка
-
базовые знания и умения программирования на языке Python или других объектно-ориентированных языках;
-
базовые знания математики: пределы, дифференциальное и интегральное исчисление.
Для чего этот курс
Курс предназначен для:
-
приобретения знаний в областях Machine Learning/Data Science/Big Data;
-
формирования устойчивых навыков и умений по постановке и решению задач с использованием математической статистики и современных информационных технологий;
-
приобретения навыков для решения бизнес задач при помощи технологий глубокого обучения и нейронных сетей;
-
приобретения умений интерпретировать данные на язык бизнеса и доносить инсайты до бизнес пользователей.
Вы будете уметь
-
осуществлять сбор, очистку и исследование исходных данных;
-
находить инсайты и зависимости в структурированных и неструктурированных данных;
-
доносить ключевые идеи с языка данных на язык бизнеса;
-
графически интерпретировать данные;
-
осуществлять постановку и решение задач машинного обучения согласно современному стандарту CRISP-DM;
-
применять основные алгоритмы машинного обучения и математического программирования;
-
пользоваться основными инструментами и фреймворками для решения задач в области Data Science;
-
разбираться в современных архитектурах нейронных сетей и применять их на практике для решения задач;
-
решать задачи Computer Vision / Natural Language Processing / Time Series;
-
применять концепции и инструменты при работе с большими объемами данных;
-
разрабатывать высококачественные рекомендательные системы;
-
определять и выяснять требования для проектов у заказчика;
-
определять качество построенных решений на реальных данных;
-
разворачивать модели в production.
Внимание:
Доступ к электронным материалам открыт в период прохождения курса. По окончании курса доступ закрывается.
Программа курса
- Введение в Data Science
Обзор Data Science и Machine Learning.
Инструменты для работы:
• Что изучим в процессе курса.
• Python / Anaconda / Jupyter Notebook - установка, быстрый экскурс по языку (синтаксис, типы данных и конструкции, функции, GIL и ООП).
• Знакомства с менеджерами пакетов (pip, conda). Введение в понятия репозитория. Введение в понятия сборки пакета.
• Работа с инструментами контроля версий Git.
Numpy - введение в библиотеку. Линейная алгебра / Статистика.
Pandas - введение в библиотеку. Получение и обработка данных.
• Чтение данных.
• Обработка данных.
• Сохранение данных для последующей работы.
Базовый эксплоративный анализ и визуализация данных.
• Базовые статистики.
• Распределение данных.
• Базовая визуализация данных.
Методология работы в области DS - CRISP- DM. - Математические основы для Data Science
Понятия линейной алгебры. Пределы, производные, интегрирование, матрицы.
Понятия математической статистики и теории вероятностей.
Тензоры и операции над тензорами.
Реализация математических вычислений в Python.
Формулировка и проверка гипотез: теория и практика.
Визуализация данных в Python. - Введение в машинное обучение Часть 1
Классы решаемых задач в машинном обучении.
Обзор и классификация алгоритмов в машинном обучении.
Supervised Learning / обучение с учителем:
• Линейная регрессия.
• Нелинейная регрессия.
• Логистическая регрессия.
• Метод опорных векторов.
• Деревья решений.
• Метод опорных векторов.
Feature Engineering и углубленная обработка данных.
Переобучение моделей. Регуляризация.
Бустинг. Градиентный бустинг и ансамбли моделей.
Проверка качества моделей. Метрики качества для алгоритмов регрессии и метрики качества для алгоритмов классификации.
Библиотека XGboost / CatBoost.
Автоматический поиск алгоритмов. - Введение в машинное обучение Часть 2
Unsupervised Learning / Обучение без учителя:
• Метод k-ближайших соседей и EM алгоритм.
• Кластеризация. Иерархическая кластеризация. DBSCAN.
• Affinity Propagation.
• Задача декомпозиции. Алгоритмы SVD / ALS / PCA / T-SNE / NMF.
• Алгоритмы понижения размерности.
• Алгоритм SVM (Support Vector Machine).
Углубленный Feature Engineering.
Проблемы качества и размерности данных.
Методы уменьшения размерности данных.
Спрямляющие пространства.
Поиск аномалий в данных.
Углубленный статистический анализ данных.
Методы декомпозиции.
Выводы на основе статистических данных.
Оценка и улучшение качества модели (GridSearchCV, различные стратегии kfold).
Объединение алгоритмов в цепочки и конвейеры (например Pipeline). - Рекомендательные Системы
Введение в рекомендательные системы.
Типы рекомендательных систем.
Рекомендации на основе содержания.
Коллаборативная фильтрация.
Рекомендации на основе скрытых факторов.
Гибридные рекомендательные системы.
Рекомендательные системы в production.
Проверка качества рекомендаций. - Обработка естественного языка. Natural Language Processing
Введение в обработку естественного языка.
Морфологический и синтаксический анализ языка.
Виды языковых моделей.
Векторная модель и методы снижения размерности. Информационный поиск.
Представление языка для обучения моделей в задачах NLP.
Языковые модели. Счетные языковые модели и вероятностные языковые модели.
Извлечение информации. Именованные сущности, отношения, факты, события.
Генерация текста.
Сбор, обработка и хранение текстовой информации для задач Machine Learning. - Основы глубокого обучения. Нейронные сети
Понятия нейронной сети.
Персептрон. Многослойная нейронная сеть.
Функции активации. Функции потерь. Прямое и обратное распространение ошибки.
Градиент. Стохастический градиентный спуск.
Инициализация весов для нейронных сетей. Виды инициализаций.
Применение фреймворка TensorFlow / Keras для построения и обучения нейронных сетей.
Методы оптимизации нейронных сетей. Борьба с переобучением.
Обзор ключевых архитектур для нейронных сетей:
Цепи Маркова.
Обзор внутренней структуры нейронной сети - Работа с большими данными
Хранение и обработка больших данных.
Фреймворк Spark для работы с большими массивами данных.
Хранение данных в облаке.
Использование PySpark для обработки больших данных.
Обзор фреймворка Dask для работы с большими данными. - Машинное зрение в задачах машинного обучения
Базовая теория машинного зрения.
Форматы данных, обработка данных для задач машинного зрения.
Обзор фреймворка OpenCV для работы с задачами машинного зрения. Введение в очистку изображений. Введение в работу с потоковым видео.
Работа с изображением на GPU.
Извлечение признаков из изображений, поиск по изображениям.
Задача сегментации изображений в машинном зрении.
Применение сверточных нейронных сетей для машинного зрения.
Применение сверточных нейронных сетей для задач сегментации и распознавания.
Генеративные конкурирующие сети (GAN).
Получение, хранение и обработка изображений для задач машинного зрения. - Временные ряды
Базовая теория временных рядов.
Элементарные алгоритмы обработки временных рядов.
Модели Arima/SaRIMA/ Sarimax и Garch для прогнозирования временных рядов.
Задача прогнозирования временных рядов на основе марковских моделей.
Использование рекуррентных нейронных сетей в задачах прогнозирования временных рядов.
Выявления аномалий во временных рядах.
Проверка качества предсказаний в задачах прогнозирования временных рядов.
Обзор готовых библиотек для прогнозирования временных рядов. - Подготовка моделей для интеграции
Введение в понятие Runtime.
Фреймворк onnx как универсальный инструмент для конвертации моделей.
Введение в понятие “оптимизация”. Квантование весов.
Введение в tflite. - Подведение итогов. Подход к реализации проектов в области Data Science
Требования к DS проектам.
Составление отчетов по исследованиям.
Общение с заказчиком и представление результатов. - Защита итогового проекта
Защита итогового проекта
Трудоустройство выпускников
IT-Academy не только обучает, но и помогает слушателям, нацеленным на результат, найти работу. Выпускники курса «Основы Data Science» участвуют в «Программе трудоустройства», с помощью которой можно получить заветную должность практически в любой IT-компании!
Преподаватели курса
-
Арсений КолосовОпыт работы: с 2019 года
Специальность:
Узнать больше
Разработка веб-приложений на Python
Отзывы на курс от выпускников Все отзывы
Вы откроете для себя целый новый мир
Это непростой курс, но от этого только интереснее. На занятиях дается много материала по разным темам и рассказывается о множестве технологий. Очень понравилось то, что теоретический материал сразу подкрепляется практикой.
Смотрите видеоотзыв выпускницы курса Data Science.
За наукой о данных будущее
Я выбрала этот курс, потому что уверена: за наукой о данных будущее. Курс составлен хорошо и полезен как новичкам в Data Science, так и тем, кто уже работает в отрасли. Приятно, что ты сама выбираешь, как тебе заниматься: онлайн или оффлайн.
Хотелось бы отметить поддержку 24/7 нашего тренера Николая Кухальского. Ваша помощь бесценна. Всем рекомендую пройти курс, особенно у Николая Геннадьевича. Огромное спасибо IT-Academy за новых друзей и полезные знания.
Смотрите видеоотзыв выпускницы курса Data Science.
Программа обучения очень насыщенная
На курс по Data Science записался, поскольку начал интересоваться этой областью. До этого изучил язык программирования Python и думал, как можно его применить. Собственно, это и привело меня в IT-Academy. Прошёл отбор. Входные задания мне показались интересными, но не очень сложными. Наверное, потому что уже была база.
Курс сложный, но дал много новых и полезных знаний
Пришёл на курс с целью сменить сферу деятельности, связать свою карьеру с машинным обучением и Data Science. Образовательный центр ПВТ предлагает основательную программу обучения по Data Science.
Евгения Ткаченко
Это непростой курс, но от этого только интереснее. На занятиях дается много материала по разным темам и рассказывается о множестве технологий. Очень понравилось то, что теоретический материал сразу подкрепляется практикой.
Хочу сказать огромное спасибо тренеру курса Николаю Геннадьевичу, благодаря которому эти шесть месяцев прошли максимально продуктивно в спокойной дружелюбной атмосфере. Он искренне болеет за каждого студента. Его девиз – лучше можно, хуже нельзя – еще долго будет мотивировать студентов.
Всем советую курс по Data Science в IT-Academy – это сложно и интересно. Вы точно не пожалеете и откроете для себя целый новый мир науки о данных.
Смотрите видеоотзыв выпускницы курса Data Science:
Анна Жуковец
Я выбрала этот курс, потому что уверена: за наукой о данных будущее. Курс составлен хорошо и полезен как новичкам в Data Science, так и тем, кто уже работает в отрасли. Приятно, что ты сама выбираешь, как тебе заниматься: онлайн или оффлайн.
Хотелось бы отметить поддержку 24/7 нашего тренера Николая Кухальского. Ваша помощь бесценна. Всем рекомендую пройти курс, особенно у Николая Геннадьевича. Огромное спасибо IT-Academy за новых друзей и полезные знания.
Смотрите видеоотзыв выпускницы курса Data Science:
Дмитрий Шахрай
На курс по Data Science записался, поскольку начал интересоваться этой областью. До этого изучил язык программирования Python и думал, как можно его применить. Собственно, это и привело меня в IT-Academy. Прошёл отбор. Входные задания мне показались интересными, но не очень сложными. Наверное, потому что уже была база.
А вот сама программа обучения – очень насыщенная, всё шло плотнячком, времени расслабляться не было. Но здесь нужно понимать, что Data Science – довольно широкая область и углубляться в ней можно бесконечно. На курсе мы получили основы, были интересные задания. Впечатления остались самые положительные.
Андрей Щеглов
Пришёл на курс с целью сменить сферу деятельности, связать свою карьеру с машинным обучением и Data Science. Образовательный центр ПВТ предлагает основательную программу обучения по Data Science. Увидел это и решил: почему бы не попробовать? Входные тесты дались нормально, у меня математическое образование, с программированием тоже дружу, поэтому особых проблем не возникло.
Курс в целом достаточно сложный, потребовал много усилий, но дал много новых и полезных знаний. В том числе и в программировании. Программа обучения полностью оправдала мои ожиданий. Теперь намерен искать работу в области Data Science и связать дальнейшую карьеру с этим направлением.
Более 6100 выпускников успешно работают в IT-компаниях в Беларуси и за рубежом
Акции и новости