Курси Data Science та Machine learning

На курсі розглянете різні завдання машинного навчання з точки зору роботи з даними й особливостями різних моделей використовуючи мову Python, здобудете навички роботи з традиційними алгоритмами і методами машинного навчання, нейронними мережами, а також обробкою природних мов і комп'ютерним зором.

Програма курсу

Introduction to Machine Learning

• Що таке AI/DS/ML/DL?
• Роль математики у ML
• Роль статистики у ML
• Задачі, що вирішує ML
• Етапи реалізації проєктів із ML
• Збір і обробка даних у ML, джерела даних та їх особливості
• Огляд основних інструментів у ML з використанням Python

Machine Learning Basic Tool: NumPy

• Що таке NumPy?
• Типи даних та їх атрибути
• Масиви
• Операції з масивами
• Сортування масивів

Machine Learning Basic Tool: Pandas

• Що таке Pandas?
• Структури й типи даних у Pandas
• Імпортування й експортування даних у Pandas
• Огляд даних у Pandas
• Операції з даними в Pandas

Data Visualization

• Призначення і важливість візуального аналізу й візуалізації даних
• Первинний аналіз даних
• Модулі matplotlib, seaborn, plotly
• Побудова простих графіків однієї змінної
• Побудова графіків двох і більше змінних
• Аналіз графіків (перевірка кореляції, аутлейєрів…)
• Побудова нових змінних вручну
• Побудова нових змінних за допомогою бібліотек

Linear Regression & Regularization

• Лінійні моделі в задачах регресії
• Навчання моделі лінійної регресії
• Лінійна регресія в scikit-learn
• Градієнтний спуск у задачах лінійної регресії
• Стохастичний і mini-batch градієнтний спуск
• Перенавчання і недонавчання. Гіперпараметри
• Регулярізація
• Крос-валідація

Logistic Regression & Machine Learning Metrics

• Метрики якості
• Метрики якості в задачах регресії
• Метрики якості в задачах класифікації
• Метрики якості в scikit-learn
• Метричні моделі
• Принцип передбачення в метричних моделях
• Метрики відстані
• KNN класифікатор і регресор у scikit-learn

Tree Based Models

• Ідея роботи моделей на основі дерев рішень
• Тренування дерева рішень
• Критерії зупинки й "підстригання" дерев
• Дерева рішень і категоріальні фічі
• Приклади реалізації в scikit-learn
• Bias-Variance Tradeoff
• Bagging
• Boosting
• Stacking

SVM & Clustering

• SVM
• Ідея алгоримту. Робота на лінійно роздільних даних
• SVM на лінійно нероздільних даних
• Ядра. Метод вікна Парзена
• Кластеризація
• Unsupervised learning
• Основні алгоритми кластеризації
• k-means
• Ієрархічна кластеризація
• Кластеризація за щільністю об'єктів
• Інші методи кластеризації
• Метрики оцінки якості кластеризації

Dimensionality Reduction

Recommender Systems

Introduction to Deep Learning

• Визначення Deep Learning
• Задачі, що вирішуються за допомогою Deep Learning
• Нейронні мережі
• Основні фреймворки для Deep Learning
• Ознайомлення з PyTorch
• Тензори
• Набори даних і завантажувачі даних
• Побудова нейронної мережі
• Автоматичне обчислення похідних
• Оптимізація параметрів моделі
• Збереження і завантаження моделі

Deep Learning: Layers

• Linear Layers
• Convolutional Layers
• Pooling Layers
• Normalization Layers
• Embedding Layers
• Dropout Layers
• Special Layers
• Activation Layers
• Gradient Explosion
• Gradient Vanishing
• Weight Initializations

Deep Learning: Optimization

• Optimization: General Ideas
• Gradient Descent
• Stochastic Gradient Descent
• SGD with Momentum
• Nesterov Momentum
• RMSProp
• Adam

Introduction to Computer Vision

• Image Classification
• Image Segmentation
• Object Detection
• Object Tracking
• Facial Recognition
• Pose Estimation
• Gesture Recognition
• Optical Character Recognition (OCR)
• Image Restoration
• Image Generation
• OpenCV
• Albumentations

Computer Vision: Classification Models

• ImageNet Dataset
• LeNet
• AlexNet
• VGG
• GoogLeNet (Inception v1)
• Inception v2
• ResNet
• DenseNet
• MobileNet v1
• MobileNet v2
• MobileNet v3
• EfficientNet
• EfficientNet v2

Computer Vision: Segmentations Models

• Segmentation Datasets
• Metrics
• FCN
• SegNet
• U-Net
• LinkNet
• FPN
• ENet
• PSPNet
• DeepLab v3
• DeepLab v3+

Computer Vision: Object Detection

• Introduction to Object Detection
• Object Detection Metrics
• Non-Maximum Suppression (NMS)
• Viola-Jones Detectors
• HOG Detector
• Deep Learning-based Detection Methods
• Two and One Stage Detectors
• R-CNN
• Fast R-CNN
• Faster R-CNN
• FPN

Introduction to Natural Language Processing

Natural Language Processing: Embeddings

Transformers

• Transformer
• GPT
• BERT
• Vision Transformer (ViT)

Reinforcement Learning

Особливості курсу

• Курс розрахований на IT-фахівців та інженерів будь-якої спеціальності, які знають Python, лінійну алгебру, математичний аналіз і статистику на рівні першого курсу технічного вузу
• Впродовж навчання будуть розглянуті різні завдання машинного навчання з точки зору роботи з даними та особливостей різних моделей машинного навчання, візуалізація отриманих результатів
• Заняття в режимі онлайн
• Доступ до відеозаписів занять в особистому кабінеті
• В кінці курсу виконується дипломний проєкт
• Оперативна служба підтримки студентів
• Викладачі курсу - практикуючі фахівці, що працюють в топових компаніях
• Можливість повернути всі внесені за навчання кошти до шостого заняття
• Бонуси курсу:
  • тренінги по проходженню співбесіди та складанню резюме з HR-фахівцем компанії
  • тестова співбесіда з технічним фахівцем

Викладачі курсу

• Денис Ступак - Senior Data Analyst at EPAM
• Євген Краснокутський - Team Lead at MobiDev
• Дмитро Дегтярьов - Senior Data Scientist at Eleks

Ви станете експертом у AI, машинному навчанні та розробці AI-рішень для бізнесу. Опануєте Python, SQL, TensorFlow, PyTorch, Scikit-learn, MLflow, Google Cloud, Apache Spark, а також методології Deep Learning, Generative AI, MLOps, Responsible AI. Будете навчатись у практиків з топових продуктових та сервісних компаній: Epam, Ciklum, Intellias, Softserve та застосовувати знання на практиці, створюючи AI-моделі, автоматизуючи процеси та розробляючи генеративні системи. Дипломним проєктом стане власний стартап, який ви запітчите перед інвесторами, або AI-проєкт для реального бізнесу.

Програма курсу

Tier 1

Python Programming: Foundations and Best Practies

Ви опануєте Python, навчитеся розробляти програми з використанням структур даних та алгоритмів, а також писати чистий, модульний та ефективний код, дотримуючись найкращих практик програмування.

Mathematics for Computer and Introduction to Problem-Solving Techniques

Ви здобудете теоретичні та практичні компетенції у математичних методах розв'язання інженерних задач, опануєте математичний апарат для роботи з моделями, навчитеся застосовувати основні математичні методи для аналізу, моделювання, оптимізації програмних рішень та обробки експериментальних даних.

Basic Algorithms and Data Structures

Ви оволодієте сучасними алгоритмами та структурами даних для ефективного збереження та обробки великих масивів інформації, навчитеся аналізувати, порівнювати та обирати оптимальні алгоритми, будувати структуровані рішення для програмного забезпечення та оцінювати їхню ефективність у реальних інформаційних системах.

Tier 2

Numerical Programming in Python

Ви навчитеся працювати з чисельними методами, обчислювати математичні моделі та оптимізувати алгоритми для аналітики та машинного навчання.

Relational Databases: Concepts and Techniques in Data Analytics

Ви опануєте роботу з реляційними базами даних, навчитеся створювати запити для аналізу даних та оптимізувати роботу з великими масивами інформації.

Machine Learning: Fundamentals and Applications

Ви опануєте основи машинного навчання, навчитеся будувати та оцінювати ML-моделі, працювати з класифікацією, регресією та кластеризацією, а також застосовувати алгоритми у реальних задачах.

Visual Analytics for Big Data

Ви навчитеся аналізувати та візуалізувати великі обсяги даних, працювати з BI-інструментами, розуміти закономірності та приймати рішення на основі аналітики.

Introduction to Deep Learning

Опануєте основи глибокого навчання, розберетеся в архітектурі нейронних мереж та навчитеся працювати з CNN, RNN, LSTMs та трансформерами.

Generative and Agentic AI

Ви заглибитеся у генеративні моделі та агентний AI, навчитеся працювати з LLM, GANs, Diffusion Models та інтегрувати генеративні алгоритми у продукти.

Applied Machine Learning: Business Cases

Ви навчитеся застосовувати машинне навчання у бізнесі, працювати з реальними кейсами та будувати рішення для автоматизації процесів, прогнозування та аналітики.

Data Engineering

Опануєте принципи роботи з великими обсягами даних, ETL-процеси, оптимізацію збереження даних та обробку інформації у реальному часі.

Product Analytics and Applied Statistics

Ви навчитеся працювати з аналітикою продукту, проводити A/B-тести, будувати статистичні моделі та приймати рішення на основі даних.

Tier 3

Cloud Computing for ML/AI and Data Preprocessing

Ви навчитеся працювати з хмарними платформами, запускати ML-моделі у клауді та автоматизувати обробку великих масивів даних.

MLOps CI/CD

Опануєте принципи безперервної інтеграції та розгортання моделей ML, побудови пайплайнів та автоматизації процесів навчання моделей.

Agile Product Management for Software Development Teams

Навчитеся ефективно керувати IT-продуктами, працювати у гнучких командах та застосовувати Agile-методології у розробці AI-рішень.

Career Strategies and Soft Skills for IT Professionals

Розвинете навички комунікації, переговорів, публічних виступів та ефективної роботи в команді, що критично важливо для успішної кар'єри в AI.

Дипломний проєкт

Applied Computer Science: Capstone Project

Фінальний проєкт, у якому ви розробите реальне AI-рішення або автоматизовану ML-систему, що можна впровадити у бізнес.

Ваш результат після навчання

• Опануєте Numerical Programming in Python, Machine Learning, Deep Learning, Generative AI та Agentic AI, навчитеся працювати з моделями для аналізу, прогнозування та автоматизації
• Опануєте реляційні бази даних, Data Engineering, Product Analytics та Applied Statistics, навчитеся будувати ефективні data-пайплайни
• Зможете працювати з Applied Machine Learning, використовувати Visual Analytics for Big Data для ухвалення стратегічних рішень
• Навчитесь автоматизувати пайплайни з MLOps CI/CD та забезпечувати ефективність, масштабованість моделей
• Отримаєте навички Agile Product Management, навчитеся ефективно працювати у командах розробки AI-рішень
• Опануєте Numerical Programming in Python, Machine Learning, Deep Learning, Generative AI та Agentic AI, навчитеся працювати з моделями для аналізу, прогнозування та автоматизації

Особливості курсу

• Допомога ментора
• Практика
• Проєкти в портфоліо
• Дипломна робота
• Сертифікат про проходження курсу
• Умови вступу:
  • Без ЄВІ/ЄФВВ
  • Диплом про попередню освіту

Викладачі курсу

• Богдан Коваль - Senior Software Engineer at Netflix
• Нік Білогорський - Ex-Director Security Google
• Віталій Нужний - Head of Ukraine
• Роман Прокоф'єв - Засновник Jooble
• Дмитро Лисицький - Співзасновник укр.філії GlobalLogic та стартапу Influ2
• Євген Сисоєв - Керівний партнер інвесткомпанії AVentures Capital
• Юлія Грущинська - Керівник відділу HR-партнерів в Ciklum
• Robert Potter - Co-Founder at Internet 2.0
• Костянтин Магалецький - Екс-партнер Horizon Capital
• Василь Тофан - Старший партнер Horizon Capital
• Марина Євдокименко - Президентка асоціації Women4Cyber Ukraine
• Сергій Борона - Head of Information Security at Ciklum
• Олексій Барановський - Senior Application Security Engineer at Intellias
• Олег Осадчук - Python Software Engineer at EPAM
• Олег Сінькевич - Machine Learning engineer at EngenAI
• Максим Лизогуб - ML Engineer at Everymatrix
• Володимир Голомб - Lead Data Scientist & ML Engineer at RBC Group
• Катерина Коцюбівська - Співзасновниця ГО "Агенція сталого розвитку та освітніх ініціатив"
• Антон Чорний - Agile product management lecturer / CEO of GoIT
• Юрій Кучма - Basic Algorithms Lecturer
• Андрій Білик - COO at WEBGORILLA Studio
• Олексій Репін - Frontend Developer at GoIT
• Максим Алієв-Ломач - Full Stack Engineer at AIWEB Solutions
• Руслана Ковальчук - Head of Career Center, GoIT
• Юлія Мельник - Head of Study at GoIT
• Юлія Олійник - Scrum Master & Project Manager at GoIT
• Ярослав Косиця - Frontend Developer at SoftRyzen
• Олег Андрус - Python Programming Lecturer
• Олексій Кудін - Data Scientist/ML Engineer at Upwork
• Тетяна Філімонова - Associate Professor at the Faculty of Information Technology
• Артур Гіль - Security Engineering Lead at Cossack Labs
• Ольга Караіван - SOC Engineer at Pharmbills
• Ярослав Малоокий - Cybersecurity Engineer at Kavitech
• Прокопенко Юрій - Директор з інформаційної безпеки Банку Кредит Дніпро (BCD)

Від простих маніпуляцій до розпізнавання об'єктів та роботи з нейромережами - опануйте всі інструменти, щоб створювати рішення на основі Computer Vision.

Програма курсу

Знайомство з Computer Vision

• Ознайомитеся з завданнями, які допомагає розв'язати Computer Vision
• Отримаєте загальну інформацію про те, як працює зорова система
• Дізнаєтесь, які є колірні простори
• Встановите бібліотеки NymPy, Matplotlib та OpenCV
• Навчитеся виконувати прості операції за допомогою цих бібліотек

Піксельні операції

• Дізнаєтеся, що таке операції на рівні пікселів, і навчитеся читати гістограми
• Створите найпростішу програму обробки цифрових зображень - наприклад, програму балансу білого кольору

Лінійна фільтрація

• Вивчите принцип роботи згортки
• Навчитеся імплементувати фільтрацію та маніпулювати зображенням, використовуючи різні типи фільтрації

Фільтри виділення кордонів

• Дізнаєтеся, у чому сенс градієнтів зображень
• Навчитеся імплементувати фільтри виділення меж
• Опануєте алгоритм виділення контурів та фільтри в Canny

Кодування та компресія зображень

• Вивчите різницю між форматами зображень [raw, png, jpeg]
• Розберете різницю між форматами H264 та H265
• Дізнаєтеся, як працює стиснення із втратами, і навчитеся працювати з зображеннями в перетвореній формі
• Спробуєте покращити якість зображення за допомогою інтелектуального квантування

Image features [візуальні ознаки]

• Дізнаєтеся, що таке візуальні ознаки, та ознайомитеся з типовими завданнями, які можна розв'язати з їхньою допомогою
• Навчитеся виділяти кути за допомогою детектора Гарріса
• Вивчите алгоритми виявлення та опису ознак
• Навчитеся застосовувати масштабно-інваріантну трансформацію ознак (SIFT)

Image matching [підстроювання зображень]

• Ознайомитеся з завданнями, які розв'язує image matching
• Вивчите принцип афінного перетворення та однорідних координат
• Навчитеся використовувати гомографію для зображень
• Розробите ректифікатор фотографій документів

Machine Learning [машинне навчання]

• Ознайомитеся з основними принципами роботи з моделями даних
• Розберете різницю між класичною обробкою даних та машинним навчанням
• Навчитеся будувати прості моделі з нуля та проводити їхню оптимізацію
• Визначите різницю між machine learning та deep learning

Детекція облич

• Визначите, чим візуальні ознаки для детекції осіб відрізняються від інших об'єктів
• Ознайомитеся з методом детекції Віоли-Джонса та методом бустингу
• Навчитеся працювати з зображеннями, які містять обличчя, та здійснювати детекцію за допомогою OpenCV

Трекінг

• Вивчите основи роботи трекінгу та принципи взаємодії з цифровим відео
• Розберете відмінності між трекінгом та детекцією на практиці, реалізовуючи реальне робоче завдання

Q&A-сесія

• Поставите запитання лектору
• Розберете найскладніші кейси повторно

Нейронні мережі: part 1

• Вивчите принципи роботи нейронних мереж
• Отримаєте overview відкритих бібліотек TensorFlow та Keras
• Навчитеся будувати й тренувати прості нейронні мережі
• Спробуєте покращити модель нейронної мережі для класичної проблеми house pricing

Нейронні мережі: part 2

• Дізнаєтеся, як прискорити тренування нейронних мереж у кілька разів за допомогою GPU, та розберете інші переваги графічного процесора
• Ознайомитеся з хмарним сервісом Google Colaboratory та навчитеся будувати й тренувати моделі в ньому
• З'ясуєте, навіщо проводити інспекцію баз даних

Згорткові нейронні мережі: part 1

• Розберете принципи роботи згорткових нейронних мереж
• Вивчите операції згортки та пулінгу
• Навчитеся будувати й тренувати згорткові нейронні мережі

Згорткові нейронні мережі: part 2

• Ознайомитеся з проблемою перенавчання [overfitting]
• Навчитеся розпізнавати проблеми в процесі навчання та застосовувати data augmentation у процесі тренування

Згорткові нейронні мережі: part 3

• Навчитеся розв'язувати задачу сегментації цифрових зображень
• Розберете принцип bottleneck
• Побудуєте простий автоматичний енкодер для очищення зображень від шуму

Воркшоп з нейронних мереж

Навчитеся будувати, тренувати й покращувати нейромережі на практиці.

Детекція об'єктів

• Розберете концепт детекції та bounding box
• Навчитеся розпізнавати об'єкти в режимі реального часу, використовуючи принцип YOLO [You Only Look Once]
• Ознайомитеся з алгоритмом NMS [Non-Maximum Suppression] та іншими архітектурами мереж для розпізнавання об'єктів [SSD, TinyYOLO, SqueezeDet]
• Застосуєте YOLO, щоб розпізнати об’єкти на власному відео

Згорткові нейронні мережі: що далі?

• Ознайомитеся з популярними моделями згорткових нейронних мереж
• Вивчите процес fine tuning та навчитеся працювати з model zoo
• Дізнаєтеся, які проблеми виникають під час тренування згорткових нейронних мереж
• Отримаєте рецепт успішного розв’язання проблем із використанням нейронних мереж

Воркшоп: Computer Vision training. Нейромережі

• Поставите запитання лектору
• Розберете найскладніші кейси повторно

Презентація курсового проєкту

Реалізуєте власний проєкт: сегментатор для детекції дорожніх позначок або згорткову нейромережу для super-resolution зображень.

Особливості курсу

• Сильний контент
• Широкий набір інструментів
• Практика
• Кар'єра
• Допомога ментора
• Курсовий проєкт
• Проєкт в портфоліо
• Сертифікат про проходження курсу

Викладачі курсу

Ян Колода - Senior CV & ML Engineer at Gini GmbH

Перетворіть АІ-перевірку на систему: фреймворки, метрики та інструменти, які дозволяють тестувати моделі так, щоб вони працювали стабільно не в теорії, а на практиці.

Програма курсу

Вступ до тестування AI-систем

• Зрозумієте, чому тестування AI суттєво відрізняється від класичного QA
• Знатимете основні типи оцінювання AI-систем і зможете обирати відповідний під конкретний сценарій
• Орієнтуватиметеся в піраміді якості AI та розумітимете, на яких рівнях виникають ключові ризики

Архітектура AI-систем: що тестувати

• Навчитеся декомпозувати AI-систему на компоненти й прив'язувати тести до кожного з них
• Чітко розрізнятимете ML-, LLM- і RAG-пайплайни та їхні зони відповідальності
• Зможете визначати критичні точки ризику в архітектурі та використовувати їх для побудови тестової стратегії

Таксономія AI-фейлів

• Навчитеся системно класифікувати AI-фейли
• Дізнаєтеся про реальні причини відмов моделей, LLM і систем загалом
• Зможете застосовувати таксономію для аналізу реальних інцидентів та запобігання повторним збоям

Метрики ML: коли вони брешуть

• Навчитесь обирати метрики, які реально відображають якість моделі
• Розумітимете обмеження accuracy та інших стандартних метрик
• Зможете аналізувати результати моделей в розрізі сегментів та бізнес-впливу

Регресійне тестування моделей

• Зможете побудувати процес контролю якості при кожному оновленні моделі
• Навчитеся коректно порівнювати версії моделей з урахуванням варіативності даних і статистичної значущості
• Розумітимете, як інтерпретувати результати A/B-тестів у продакшені

Якість даних та виявлення дрейфу

• Навчитеся виявляти проблеми з якістю даних ще до того, як вони вплинуть на модель
• Зможете розрізняти типи дрейфу та OOD-випадки й використовувати їх як сигнали ризику
• Освоїте практичні інструменти для моніторингу якості даних у часі

Специфіка тестування LLM

• Розберетеся з недетермінізмом LLM і навчитеся враховувати його під час тестування
• Зможете тестувати роботу моделей з довгим контекстом і streaming-відповідями
• Навчитеся налаштовувати локальне та API-середовище для відтворюваних тестів

Тестування промптів та генеративної поведінки LLM

• Навчитеся будувати тестовані та версіоновані промпти замість ручних експериментів
• Зможете створювати еталонні набори для генеративних задач
• Перевірятимете стабільність, коректність і структурованість відповідей LLM

Тестування багатокрокових діалогів

• Навчитеся проєктувати сценарії тестування складних multi-turn діалогів
• Зможете перевіряти збереження контексту, пам'яті й логічної послідовності відповідей
• Виявлятимете типові проблеми чат-ботів у довгих розмовах

Метрики та автоматизоване оцінювання LLM

• Навчитесь об'єктивно оцінювати якість LLM за допомогою різних типів метрик
• Зможете комбінувати еталонні та безеталонні підходи залежно від задачі
• Контролюватимете стабільність відповідей та коректність структурованих виходів

Багатомовне та українськомовне тестування

• Навчитеся тестувати LLM з урахуванням специфіки української мови
• Зможете виявляти суржик, русизми, помилки відмінювання та code-switching
• Побудуєте спеціалізовані eval-набори для українськомовних і багатомовних сценаріїв

Архітектура RAG і точки відмов

• Навчитеся знаходити, на якому етапі RAG-системи виникають помилки
• Розумітимете типові причини галюцинацій в RAG
• Зможете формувати тестові гіпотези для покращення retrieval і chunking

Метрики RAG та оцінювання

• Навчитеся вимірювати якість RAG-системи від пошуку до фінальної відповіді
• Зможете інтерпретувати метрики контексту, пошуку та генерації
• Проводитимете повноцінну end-to-end оцінку RAG

Виявлення та зменшення галюцинацій

• Навчитеся системно виявляти галюцинації, а не лише фіксувати їх постфактум
• Зможете перевіряти правдивість тверджень і коректність цитувань
• Проєктуватимете негативні сценарії та механізми безпечної відмови

Безпека LLM та Red-Teaming

• Навчитеся проводити red-teaming AI-систем за зрозумілою методологією
• Зможете виявляти prompt-інʼєкції, jailbreak-атаки та ризики витоку даних
• Формуватимете структуровані звіти з ризиками та рекомендаціями

Упередженість, справедливість і пояснюваність

• Навчитеся виявляти різні типи упередженості в AI-системах
• Зможете застосовувати інструменти пояснюваності для аналізу рішень моделей
• Балансуватимете між точністю, справедливістю і стабільністю

Модульне та інтеграційне тестування для AI

• Навчитеся писати unit- та integration-тести для AI-компонентів
• Зможете поєднувати детерміністичні та імовірнісні перевірки
• Використовуватимете snapshot testing і mocking для стабільних тестів

Огляд фреймворків оцінювання

• Навчитеся проєктувати масштабовані системи оцінювання AI
• Зрозумієте життєвий цикл еталонних датасетів
• Зможете застосовувати eval-driven підхід для контролю регресій

CI/CD та моніторинг AI-систем

• Навчитесь інтегрувати тести AI в CI/CD-пайплайни
• Зможете налаштовувати quality gates і блокувати ризикові деплої
• Контролюватимете деградацію якості в продакшені

Продуктивність і контроль витрат LLM у продакшені

• Навчитеся читати й інтерпретувати latency та cost-метрики
• Зможете виявляти регресійне зростання витрат
• Оцінюватимете вплив архітектурних рішень на продуктивність

Протоколи людської оцінки (Human Evaluation)

• Навчитеся проєктувати коректні процеси людської оцінки
• Зможете працювати з метриками узгодженості анотацій
• Інтегруватимете human-in-the-loop як частину AI-систем

Проєктування процесу AI QA

• Навчитеся будувати AI QA як частину продуктового процесу
• Зможете створювати test-плани та чек-листи з урахуванням ризиків
• Ефективно комунікуватимете результати оцінювання зі стейкхолдерами

Роль AI QA інженера і захист курсових робіт

• Презентуєте власну систему тестування AI (LLM чат-бот, RAG-система або ML-класифікатор) з автоматизованими eval-наборами та метриками
• Отримаєте фідбек від лектора та рекомендації щодо розвитку у сфері

Особливості курсу

• Допомога ментора
• Практика
• Курсовий проєкт
• Системне тестування АІ-рішень
• Сертифікат про проходження курсу

Викладачі курсу

Максим Кізіцький - Machine Learning Engineer at TemaBit, Fozzy Group

Використовуйте AI, щоб автоматизувати рутинні OSINT-задачі, швидше аналізувати відкриті дані та вивести розвідку й аналітику на новий рівень.

Програма курсу

AI в OSINT‑дослідженнях

• Опануєте повний OSINT-workflow від збору та верифікації до створення фінального звіту
• Розберете переваги та обмеження AI для уникнення критичних помилок у дослідженнях
• Налаштуєте робоче середовище з базовим набором інструментів та чек-листами якості
• Закріпите навички тріажу джерел та формування першої таблиці доказів

Генеративний AI: промптинг, якість і RAG

• Навчитеся формулювати запити для отримання перевірюваних відповідей з посиланнями на джерела
• Опануєте структурований витяг даних для перетворення масивів тексту в таблиці або JSON
• Зрозумієте принципи пошуку у великих масивах через токенізацію та RAG-підхід
• Сформуєте перелік гіпотез для подальшої автоматизованої перевірки

Верифікація та протидія маніпуляціям із контентом

• Навчитеся підтверджувати факти й перевіряти контекст джерел для уникнення чуток
• Виявите ознаки deepfake та маніпуляцій в текстах, зображеннях та відеоматеріалах
• Побудуєте ланцюжок доказів (evidence chain) для забезпечення прозорості звіту
• Складете список перевірок на прикладі реального медійного кейса

Збір та моніторинг медіапростору

• Опануєте пошук та систематизацію матеріалів через запити, оператори, архіви та канали
• Виявите сигнали неавтентичності акаунтів та ознаки координації поведінки в мережі
• Отримаєте практичні навички з геолокації та прив'язки знайдених подій до місцевості
• Закріпите матеріал через домашнє завдання з пошуку та верифікації реальних об'єктів

Entity resolution та графи зв'язків

• Навчитеся нормалізувати сутності та усувати дублікати з різних джерел для точного аналізу
• Побудуєте зв'язки між об'єктами для візуалізації взаємодії людей, організацій та подій
• Опануєте роботу з графами для виявлення ключових вузлів впливу та прихованих кластерів
• Сформулюєте перевірювані гіпотези на основі структурованих мереж взаємозв'язків

Автоматизація збору та пайплайни даних

• Оберете оптимальний спосіб збору між API, скрапінгом та ручним пошуком згідно з ToS
• Побудуєте автоматизований пайплайн для регулярного оновлення та чистки датасетів
• Підготуєте дані до AI-аналізу через коректний чанкінг, метадані та контроль версій
• Налаштуєте індексацію власної бази даних для миттєвого пошуку релевантних доказів

Проміжний воркшоп

• Застосуєте повний OSINT-workflow під час розбору реального кейса разом із лектором
• Відпрацюєте командну роботу над окремими етапами розслідування від збору до висновків
• Виявите типові аналітичні помилки та навчитеся їх виправляти на ранніх стадіях
• Перевірите власні результати за допомогою професійного чек-листа якості

Патерни, тренди й кластеризація

• Навчитеся виявляти аномалії в інформаційних потоках та відстежувати динаміку хвиль
• Згрупуєте джерела та акаунти за допомогою кластеризації для аналізу груп впливу
• Інтерпретуєте результати аналізу без хибних кореляцій, спираючись на математичну логіку
• Обґрунтуєте аналітичні висновки посиланнями на виявлені поведінкові патерни

Моніторинг у реальному часі та алерти

• Налаштуєте систему моніторингу за допомогою RSS, Google Alerts та публічних агрегаторів
• Впровадите автоматичну фільтрацію та пріоритизацію сигналів за ключовими темами
• Забезпечите відтворюваність аналізу через логування та документування логіки рішень
• Отримаєте навички створення дайджестів для оперативного інформування про зміни

Інтеграція AI у звіти й візуалізацію

• Створите структуровані OSINT-звіти з використанням evidence tables та чітких висновків
• Опануєте професійні шаблони для різних типів досліджень (CTI, Due Diligence, Risk)
• Візуалізуєте результати аналізу через таймлайни, графи та інтерактивні дашборди
• Сформулюєте фінальну оцінку з визначенням рівнів упевненості для кожного твердження

Етика, безпека та правові рамки

• Орієнтуватиметесь у правових обмеженнях щодо авторського права та захисту персональних даних
• Мінімізуєте цифрові ризики через налаштування ізольованого середовища та OPSEC
• Розпізнаватимете етичні дилеми та навчитеся використовувати AI без шкоди для розслідування
• Забезпечите комплаєнс дослідження відповідно до міжнародних стандартів (GDPR)

Теорія графів та Knowledge Graphs

• Застосуєте графові метрики для пошуку найкоротших шляхів та центральних вузлів у мережі
• Побудуєте Knowledge Graph із чітким відстеженням походження кожного зв'язку
• Використаєте GraphRAG для отримання пояснюваного контексту під час запитів до AI
• Проаналізуєте мережі впливу та ланцюжки власності на основі реальних OSINT-кейсів

Упередження аналітика і контроль помилок AI

• Розпізнаєте когнітивні упередження та автоматизаційні помилки (automation bias)
• Застосуєте техніки зниження bias через метод альтернативних гіпотез та peer-review
• Проведете структурований промпт-контроль для перевірки AI-висновків на валідність
• Оціните ризики помилок та зафіксуєте рівень упевненості у фінальному висновку

Юридичні аспекти й безпечна робота

• Розмежуєте публічні та приватні дані для безпечного проведення розслідувань
• Оціните юридичні ризики скрапінгу та републікації контенту з різних юрисдикцій
• Впровадите правила безпечного використання AI для захисту від витоку внутрішніх промптів
• Складете legal checklist для оформлення звітів відповідно до стандартів доказової бази

Захист курсових робіт

• Презентуєте власне розслідування з повною доказовою базою та описом методології
• Аргументуєте обрані AI-інструменти та логіку побудови аналітичних висновків
• Отримаєте індивідуальний фідбек щодо покращення візуалізації та структури звіту
• Завершите навчання з готовим кейсом для професійного портфоліо

Особливості курсу

• Допомога ментора
• Практика
• Курсовий проєкт
• Кейс в портфоліо
• Сертифікат про проходження курсу

Викладачі курсу

Василь Попов - Co-founder, Software Engineer, Director of R&D at Osint for Ukraine

Опануйте повний стек інструментів і скілів дата-саєнтиста, а також навчіться будувати моделі прогнозування

Програма курсу

Введення в Data Science

• Зрозумієте, що таке Data Science, а також роль і результати роботи дата-саєнтистів
• Розберетесь у відмінностях між Data Scientist, Data Analyst і Data Engineer
• Зрозумієте, чого навчитеся на цьому курсі

Введення в Python: синтаксис, змінні, операції

• Розберете базові поняття Python: від синтаксису - до логічних операцій
• Зрозумієте переваги Python та Jupyter Notebook у частині інтерактивності й певної незалежності комірок між собою
• Зможете працювати із записниками Python (Jupyter або Google Colab) і виконувати найпростіші обчислення

Введення в Python: типи даних, колекції, умовні конструкції

• Навчитеся працювати з різними структурами даних у Python
• Зможете написати прості програми з умовами
• Навчитеся зберігати й обробляти групи даних (списки, словники тощо)

Введення в Python: цикли, модулі, бібліотеки

• Опануєте основи використання функцій в Python
• Навчитеся писати програми з циклами та функціями
• Зрозумієте, що таке scope змінних, локальні та глобальні змінні
• Дізнаєтеся, що таке рекурсивні функції та в яких випадках їх використовувати
• Зможете підключати бібліотеки Python і використовувати їх у коді
• Розберете принцип повторного використання коду завдяки функціям

Підсумкове заняття з теми Python

Практичне заняття, на якому ви покращите навички написання коду на Python.

Лінійна алгебра для Data Science: вектори

• Зрозумієте базові концепти лінійної алгебри, які знадобляться для більш поглибленого розуміння принципів machine learning
• Вивчите поняття векторного простору та його значення для Data Science
• Навчитеся виконувати операції над векторами, зрозумієте, для чого вони потрібні та як застосовуються

Лінійна алгебра для Data Science: матриці

• Зрозумієте, що таке матриці та як вони діють на вектори
• Навчитеся розв'язувати системи лінійних рівнянь у Python
• Зможете бачити зв'язок між матрицями та відображенням векторних просторів
• Опануєте основні поняття лінійної алгебри

Підсумкове заняття з лінійної алгебри

Практичне заняття, на якому ви покращите навички розв'язання алгоритмічних задач і зможете перевірити їх за допомогою функцій Python.

Теорія ймовірності й математична статистика для Data Science: випадковість та ймовірність

• Зрозумієте базові концепти теорії ймовірності й для чого потрібно поняття випадкової та елементарної події
• Дізнаєтеся, що таке випадкова величина і де вона фігурує
• Розрізнятимете види випадкових величин на практиці
• Навчитеся працювати з випадковими величинами, додавати й множити ймовірності
• Зможете обчислити ймовірності випадкових подій та застосовувати формулу Баєса

Теорія ймовірності й математична статистика для Data Science: розподіл та дисперсія

• Зрозумієте, що таке випадкова величина, і розрізнятимете дискретні та неперервні випадки на прикладах
• Зрозумієте суть математичного сподівання, дисперсії та основних типів розподілів і де вони застосовуються
• Навчитесь інтерпретувати графіки функції розподілу та щільності ймовірності, зокрема властивості нормального розподілу
• Зможете виконати симуляції розподілів у Python для моделювання випадкових процесів до збору реальних даних

Теорія ймовірності й математична статистика: статистика та гіпотези

• Навчитеся рахувати середнє, медіану, моду, середнє відхилення
• Розберете основні методи перевірки статистичних гіпотез
• Розрізнятимете помилки першого та другого роду
• Дізнаєтеся, що таке довірчий інтервал та як його шукати
• Навчитеся користуватися основними функціями пакетів scipy та statsmodels
• Будуватимете довірчі інтервали для середніх значень та перевіряти статистичні гіпотези щодо середніх величин
• Зрозумієте поглиблені поняття з теорії ймовірності, а саме математичної статистики

Підсумкове заняття. A/B-тестування

• Зрозумієте, що таке A/B-тестування та як його використовують у Data Science
• Дізнаєтеся, що таке нульова та альтернативна гіпотези
• Зможете інтерпретувати p-value та помилки I/II роду
• Навчитеся реалізувати просте A/B-тестування в Python і робити висновки з даних

Основи баз даних та SQL

• Встановите першу базу даних у межах Python та навчитеся писати найпростіші запити
• Зможете створити таблички, пов'язати їх та написати перші SELECT-запити для отримання бажаної вибірки зі створених таблиць
• Навчитеся виконувати базові операції з базами даних: з'єднувати таблиці, фільтрувати дані тощо

Розширений Python для Data Science: робота з pandas

• Навчитеся виконувати основні операції з масивами в Python
• Зрозумієте, що таке датафрейми pandas та їхню роль у Data Science
• Зможете імпортувати дані в pandas і робити з ними базові операції
• Опануєте базові перетворення значень рядків та стовпців таблиць (заповнення пустих комірок, конвертація типів, застосування функцій до значень комірок тощо)

Попереднє очищення даних

• Зрозумієте, чому важливо очищувати дані від дублікатів та аутлаєрів
• Навчитеся основ роботи з regex
• Зможете "очистити" задану таблицю та зробити її готовою для подальшої роботи (для описового аналізу даних або побудови моделі)

Описовий аналіз даних (Exploratory Data Analysis)

• Зрозумієте, що таке Exploratory Data Analysis (EDA) та його значення для задач Data Science
• Зможете зробити описовий аналіз даних для заданої таблиці
• Застосовуватимете зведені таблиці для EDA

Візуалізація за допомогою Matplotlib та Seaborn

• Розберете основні типи графіків та візуалізацій
• Зрозумієте, який саме тип візуалізації краще застосовувати залежно від задач Data Science
• Навчитеся створювати візуалізації для кращого унаочнення описового аналізу даних

Побудова дашбордів за допомогою Power BI

• Ознайомитеся з поняттям дашборду і базовими прийомами їхньої побудови
• Навчитеся створювати прості дашборди для інтерактивних візуалізацій
• Опануєте Power BI для побудови дашбордів

Підсумкове заняття з Exploratory Data Analysis

Практичне заняття, на якому ви створите Exploratory Data Analysis на основі датасету.

Основні поняття машинного навчання

• Вивчите основні поняття машинного навчання
• Розрізнятимете основні типи задач машинного навчання
• Зрозумієте, що таке Bias-Variance Tradeoff та як цей баланс визначає, чи буде модель узагальнювати закономірності й працювати добре на нових (невідомих) даних

Лінійна регресія

• Вивчите основні поняття лінійної регресії
• Опануєте основні метрики для оцінки регресійної моделі
• Розрізнятимете регуляризацію, Ridge та Lasso regression
• Навчитеся будувати лінійну регресійну модель та перевіряти моделі (оцінка залишків, значущості коефіцієнтів тощо)

Логістична регресія

• Розберете основні поняття логістичної регресії та задачі класифікації
• Опануєте основні метрики для оцінки бінарного класифікатора
• Розрізнятимете основні стратегії для роботи з незбалансованими даними
• Зрозумієте, які метрики застосовувати для оцінки класифікатора, побудованого на незбалансованих даних
• Зможете використовувати логістичну регресію для задач класифікації та проводити оцінку моделі (правильно використати та інтерпретувати метрики для оцінки моделі, інтерпретувати коефіцієнти моделі тощо)

Дерева рішень

• Зрозумієте, як будуються бінарні дерева рішень і яка відмінність між деревами для регресії та класифікації
• Розберете значення основних гіперпараметрів дерев і те, як вони впливають на модель
• Навчитеся використовувати дерева рішень для розв'язання задач регресії та класифікації

Методи ансамблювання - Bagging

• Зрозумієте, як працює метод бегінгу та чому ансамблеві моделі знижують дисперсію прогнозів
• Розберете значення гіперпараметрів випадкового лісу
• Навчитеся використовувати випадковий ліс для регресії та класифікації

Методи ансамблювання - Boosting

• Зрозумієте відмінності між бегінгом і бустингом
• Розберете основні моделі та зрозумієте, які між ними відмінності
• Навчитеся використовувати для регресії та класифікації основні моделі, побудовані на використанні дерев рішень

Основи часових рядів: компоненти, типи, проблеми

• Зрозумієте, що таке часові ряди та які їхні основні компоненти
• Вивчите основну термінологію часових рядів
• Розберете поняття ковзного середнього та експоненційного згладжування

Основи часових рядів: автокореляція, стаціонарність, прогнозування

• Навчитесь аналізувати ряд, виділяти тренд і сезонність
• Зрозумієте принципи роботи ARIMA, SARIMA та експоненційного згладжування
• Зможете будувати прогнози для часових рядів у Python та оцінювати їхню якість

Основи Explainable AI

• Розрізнятимете основні методи інтерпретації моделей
• Навчитеся користуватися пакетом SHAP і зможете пояснити основні графіки, отримані за допомогою цього пакета
• Зможете інтерпретувати результати моделі та будувати відповідні візуалізації

Задача кластеризації: метрики відстані, метод k-means

• Зрозумієте, що таке кластеризація та які метрики відстані використовуються
• Зможете застосовувати k-means для задач кластеризації
• Навчитесь оцінювати кількість кластерів методами ліктя й силуету

Задача кластеризації: DBSCAN, ієрархічна кластеризація

• Розберете алгоритми DBSCAN та ієрархічної кластеризації
• Зрозумієте відмінності між різними підходами до кластеризації
• Навчитесь оцінювати якість кластеризації різними метриками

Підсумкове заняття з Machine Learning

Практичне заняття, на якому ви навчитеся вирішувати виклики з Machine Learning.

Введення до нейромереж

• Розберете основні поняття нейромереж
• Дізнаєтеся, що відбувається "під капотом" нейромережі
• Зрозумієте, як застосовувати нейромережі для розв'язання задач регресії та класифікації
• Навчитеся будувати просту нейронну мережу за допомогою Pytorch

Сучасні архітектури нейромереж

• Розрізнятимете базові архітектури нейронних мереж (CNN, RNN, LSTM)
• Зрозумієте переваги трансформерів для задач Data Science
• Дізнаєтесь, які задачі розв'язує кожна архітектура

Основи LLM

• Ознайомитеся з основними трансформерами та великими мовними моделями (GPT, BERT, LLaMA, Falcon, Mistral, Gemini)
• Розрізнятимете й навчитеся застосовувати основні стратегії Prompt Engineering
• Опануєте бібліотеку HuggingFace Transformers та зможете завантажити готові моделі

Інструменти для роботи з LLM: LangChain та RAG

• Навчитеся працювати з LLM за допомогою бібліотек HuggingFace та LangChain і зможете створити чат-бота
• Дізнаєтесь, як інтегрувати LLM із зовнішніми даними
• Опануєте LangChain для розв'язання задач з використанням великих мовних моделей
• Зрозумієте структуру та функціонал RAG

Введення в Agentic AI

• Зрозумієте, що таке agentic AI та чим він відрізняється від простої роботи з LLM
• Розберете концепції агентів: планування, пам'ять, інструменти
• Навчитеся створювати простий агентський сценарій з LangChain або CrewAI
• Обговорите перспективи та виклики agentic AI в контексті його застосування для задач Data Science

VSCode і структура Python-проєкту для Data Science

• Зможете встановити VSCode + розширення
• Навчитеся створювати базовий DS-проєкт із правильною структурою
• Опануєте Git у VSCode
• Зможете працювати з віртуальними середовищами в Python

Основи MLOps: загальний огляд деплойменту моделей з Docker та FastAPI

• Навчитеся будувати простий CI/CD-процес для ML-моделей
• Зможете задеплоїти модель у Docker-контейнері
• Дізнаєтесь, як логувати й моніторити моделі в продакшені

Особливості курсу

• Теорія
• Інструменти для роботи
• Практика
• Кар'єра

Викладачі курсу

Василь Лавер - Senior Data Scientist at Dell Technologies

Програма готує фахівців, які будуть здатні створювати не просто програмне забезпечення (ПЗ), а розумне ПЗ - із аналітикою, машинним навчанням і автоматичним прийняттям рішень. Ви навчитесь розробляти інтелектуальні системи, інтегрувати алгоритми машинного навчання та створювати програмне забезпечення для автоматизації, аналітики та прийняття рішень.

Програма курсу

1 Курс. База ІТ

• Англійська мова
• Економіка IT-індустрії та підприємництво
• Штучний Інтелект у розробці програмного забезпечення
• Основи аналітики з Python
• Дискретна математика
• Вступ до університетських студій
• Основи вищої математики
• Професійна орієнтація в ІТ-галузі: практикум

Результат:

• Професійна орієнтація в ІТ-галузі: практикум
• +3 проєкти для портфоліо
• Кар'єрний трек: база знань
• Англійська: занурення
• Розвиток soft skills

2 Курс. Поглиблення знань

• Теорія ймовірностей та основи статистики
• Комунікації в бізнес-середовищі
• Алгоритми та структури даних
• Комп'ютерні системи та їх основи
• Основи веб-розробки (HTML, CSS, JavaScript)
• Реляційні бази даних
• Математика для машинного навчання
• Патерни проєктування
• Основи DevOps
• Кар'єрні стратегії та soft skills
• Практикум з сучасних методологій розробки програмного забезпечення

Результат:

• Практикум з сучасних методологій розробки програмного забезпечення
• +9 проєктів для портфоліо
• Підготовка до співбесід
• Перша робота в IT
• Взаємодія в команді

3 Курс. Спеціалізація

• Основи хмарних обчислень для АІ
• Комп'ютерні мережі
• Нереляційні бази даних і NoSQL-сховища
• Вступ до машинного навчання
• Швидке створення AI‑дашбордів
• Інженерія даних
• Основи MLOps
• Генеративний та агентний ШІ
• Проєктування інтелектуальних систем
• Інформаційна безпека
• Глибинне навчання для CV та NLP
• Професійна практика з інженерії штучного інтелекту

Результат:

• Професійна практика з інженерії програмного забезпечення
• Командна розробка програмного забезпечення
• Вектор подальшої кар'єри в IT

4 Курс. Дипломне Проєктування

• Етика та відповідальність штучного інтелекту
• Інженерія агентних систем штучного інтелекту
• Прикладне ML: бізнес‑кейси
• Дипломне проєктування

Результат:

• Виробнича практика
• Проєкти для портфоліо
• Англійська: міцний С1
• Впевнені hard + soft skills
• Майбутнє в IT, якого ви варті

5 кроків подачі документів

1. Зареєструватись на НМТ на сайті УЦОЯО
2. Скласти НМТ з обраних предметів
3. Зареєструвати електронний кабінет вступника
4. Подати заяву на вступ до Університету Сучасних Технологій
5. Чекати зарахування

Особливості курсу

• Сучасна навчальна програма
• Повне занурення в IT English
• Інноваційний формат освіти
• Стажування в ІТ-компаніях
• Кар'єрний супровід до омріяного оферу
• Контроль якості освіти
• Підтримка протягом усього навчання
• Можлива оплата навчання частинами

Викладачі курсу

• Богдан Коваль - Senior Software Engineer at Netflix
• Нік Білогорський - Ex-Director Security Google
• Віталій Нужний - Head of Ukraine
• Роман Прокоф'єв - Засновник Jooble
• Дмитро Лисицький - Співзасновник укр.філії GlobalLogic та стартапу Influ2
• Євген Сисоєв - Керівний партнер інвесткомпанії AVentures Capital
• Юлія Грущинська - Керівник відділу HR-партнерів в Ciklum
• Robert Potter - Co-Founder at Internet 2.0
• Костянтин Магалецький - Екс-партнер Horizon Capital
• Василь Тофан - Старший партнер Horizon Capital
• Марина Євдокименко - Президентка асоціації Women4Cyber Ukraine
• Сергій Борона - Head of Information Security at Ciklum
• Олексій Барановський - Senior Application Security Engineer at Intellias
• Олег Осадчук - Python Software Engineer at EPAM
• Олег Сінькевич - Machine Learning engineer at EngenAI
• Максим Лизогуб - ML Engineer at Everymatrix
• Володимир Голомб - Lead Data Scientist & ML Engineer at RBC Group
• Катерина Коцюбівська - Співзасновниця ГО "Агенція сталого розвитку та освітніх ініціатив"
• Антон Чорний - Agile product management lecturer / CEO of GoIT
• Юрій Кучма - Basic Algorithms Lecturer
• Андрій Білик - COO at WEBGORILLA Studio
• Олексій Репін - Frontend Developer at GoIT
• Максим Алієв-Ломач - Full Stack Engineer at AIWEB Solutions
• Руслана Ковальчук - Head of Career Center, GoIT
• Юлія Мельник - Head of Study at GoIT
• Юлія Олійник - Scrum Master & Project Manager at GoIT
• Ярослав Косиця - Frontend Developer at SoftRyzen
• Олег Андрус - Python Programming Lecturer
• Олексій Кудін - Data Scientist/ML Engineer at Upwork
• Тетяна Філімонова - Associate Professor at the Faculty of Information Technology
• Артур Гіль - Security Engineering Lead at Cossack Labs
• Ольга Караіван - SOC Engineer at Pharmbills
• Ярослав Малоокий - Cybersecurity Engineer at Kavitech
• Максим Плахтій - Засновник Karabas.com
• Едуард Рубін - Ексректор ХНУРЕ
• Вячеслав Поліновський - Кандидат технічних наук
• Владислава Магалецька - Головна консультантка Президента Enterra Solutions
• Прокопенко Юрій - Директор з інформаційної безпеки Банку Кредит Дніпро (BCD)

За 14 онлайн-занять навчитеся працювати з класичними моделями, як-от ARIMA та SARIMA, а також із сучасними нейронними мережами, зокрема з LSTM, для розв’язання складних бізнес-завдань. Крім цього, опануєте техніки кросвалідації, обробки даних та створення ансамблевих моделей — щоб підвищити точність прогнозів та автоматизувати процеси в компаніях.

Програма курсу

Знайомство з машинним навчанням

• Дізнаєтеся, що таке машинне навчання
• Навчитеся будувати моделі лінійної регресії
• З’ясуєте, чому часові ряди виділяють як клас

Дерева та кросвалідація

• Зрозумієте, як будують дерево
• Розберетеся в метриках
• Дізнаєтесь, як правильно оцінити моделі

Ансамблі та валідація моделей для часових рядів

• Навчитеся генерувати ознаки (Feature Engineering) для часових рядів
• Зрозумієте, чому ансамблі потужніші за звичайні моделі
• Дізнаєтесь, як робити валідацію на часових рядах

Обробка, декомпозиція та візуалізація

• Розберете, з яких компонентів складаються часові ряди та як вони можуть поєднуватися
• Навчитеся робити детальні та інформативні візуалізації
• Зрозумієте, як правильно опрацьовувати часові ряди

Моделі типу ARIMA

Навчитеся будувати класичні моделі для часових рядів типу ARIMA.

Експотенційне згладжування

• Попрактикуєтеся будувати моделі експоненційного згладжування
• Розглянете їхні переваги та недоліки

Модель Prophet

Навчитеся будувати моделі Prophet.

Ієрархічні підходи в часових рядах та гібридні моделі

Навчитеся працювати з групою часових рядів та об’єднувати моделі для їхнього прогнозування між собою.

Вступ до нейромереж

• Розглянете, як будують нейромережі
• Дізнаєтесь, як їх тренують
• Зможете самостійно імплементувати просту нейромережу

Автоенкодери

• Зрозумієте архітектуру автоенкодерів
• Навчитеся самостійно будувати модель автоенкодера
• Зможете інтерпретувати результати й використовувати ці моделі для виявлення аномалій

RNN

• Зрозумієте архітектуру нейромереж
• Навчитесь будувати RNN для часових рядів

LSTM

Дізнаєтесь, які недоліки має RNN та як їхню роботу покращує LSTM.

CNN

• Розберетесь у базовій архітектурі CNN
• Дізнаєтесь, як їх можна застосувати для часових рядів

Моніторинг, аномалії та next steps

• Розглянете моніторинг та знаходження аномалій
• Дізнаєтеся, де можна ще застосувати нові знання

Особливості курсу

• 14 онлайн-занять
• Допомога ментора
• Сертифікат про проходження курсу
• Кейс у портфолоіо
• Курсовий проєкт

Викладачі курсу

Кристи Ісакова - former Data Scientist at CHECK24, Holidu and FlixBus

Ви навчитеся проводити статистичний аналіз даних за допомогою Python та розвинете математичне мислення для розв'язання реальних завдань Data Science

Програма курсу

Python для аналізу даних: Part 1

• Запускаєте код у Jupyter Notebook
• Проводите базові операції над числами та простими структурами даних
• Застосовуєте цикли for та while
• Розумієте, як поєднання "математика + Python" допоможе вам у роботі

Python для аналізу даних: Part 2

• Під'єднуєте бібліотеки Python
• Оперуєте даними за допомогою бібліотек NumPy та Pandas
• Візуалізуєте дані та інтерпретуєте результати за допомогою бібліотек Matplotlib та Seaborn

Дескриптивна статистика

• Застосовуєте моду, медіану, середнє значення та середньоквадратичне відхилення для аналізу даних
• Візуалізуєте результати аналізу та описуєте дані
• Використовуєте бібліотеки Matplotlib, Seaborn та Plotly

Теорія множин

• Знаєте, що таке множини та навіщо вони потрібні
• Використовуєте матриці та вектори для аналізу даних за допомогою NumPy
• Застосовуєте операції над множинами в роботі з даними
• Вмієте читати математичні позначення інтегрального та диференціального числення
• Використовуєте діаграми Венна для аналізу проблем

Теорія ймовірності

• Знаєте, що таке ймовірність та умовна ймовірність
• Виконуєте прості завдання на ймовірність

Випадкові величини та розподіли

• Застосовуєте теорему Баєса в щоденному житті під час ухвалення рішень
• Знаєте, що таке розподіл та як він пов’язаний з імовірністю
• Розумієте, що таке математичне очікування та дисперсія
• Вмієте аналізувати проблеми та завдання в робочому контексті
• Описуєте завдання за допомогою математичного очікування, дисперсії та коефіцієнта ексцесу

Залежність між випадковими величинами

• Розумієте різницю між кореляцією та причинністю
• Вмієте аналізувати та використовувати в роботі діаграми розсіювання для аналізу кореляції
• Знаєте, що таке математичне очікування, дисперсія, коваріація та кореляція

Основні розподіли

• Знаєте основні розподіли, вмієте їх застосовувати
• Визначаєте, який розподіл описує вашу проблему
• Використовуєте бібліотеку stats

Дані. Статистика. Вибірка

• Знаєте, що таке статистика та які проблеми вона розвʼязує
• Вивчили методи вибірки
• Плануєте та виконуєте збірку даних

Точкова оцінка

• Розумієте, що таке точкова оцінка
• Знаєте, як працює метод максимальної вірогідності
• Використовуєте прості статистики для оцінювання пропорцій та середніх значень

Інтервальна оцінка

• Знаєте, що таке довірчий інтервал
• Інтерпретуєте довірчий інтервал
• Будуєте довірчі інтервали для простих проблем та розумієте, у яких випадках вони не працюють

Перевірка статистичних гіпотез

• Знаєте, що таке P-значення та як його інтерпретувати
• Розбираєтесь у типах помилок
• Формулюєте статистичні гіпотези
• Перевіряєте прості статистичні гіпотези різними методами

Аналіз якісних даних

• Аналізуєте якісні дані
• Будуєте та аналізуєте таблиці сполученості
• Перевіряєте адекватність моделі за допомогою chi-square та бібліотеки stats

Статистика на практиці

• Розпізнаєте можливу помилку в аналізі та коригуєте її
• Проводите поправку під час перевірки множин гіпотез

Регресійний аналіз

• Формулюєте проблему для лінійної регресії
• Використовуєте scikit-learn для регресійного аналізу даних
• Перевіряєте результат регресійного аналізу на адекватність
• Регулюєте свою модель різними методами в разі перенавчання

Логістична регресія. Вступ до машинного навчання

• Знаєте, що таке статистичне навчання
• Розв'язуєте проблеми класифікації за допомогою логістичної регресії
• Застосовуєте перехресну перевірку
• Використовуєте scikit-learn для класифікації даних за допомогою логістичної регресії та перехресної перевірки
• Вмієте робити перехресну перевірку вручну

Заключне заняття. Висновки

• Знаєте, як братися за розв'язання проблем
• Розумієте, як зменшити ймовірність помилок

Презентація курсового проєкту

Презентуєте свою роботу колегам.

Особливості курсу

• Сильний контент
• Інструменти для роботи
• Практика
• Кар'єра
• Аналітична практика
• Розробка проєкту
• Апгрейд скілів

Викладачі курсу

Наталія Кеес - Data Scientist at Airbus