Курси Data Science та Machine learning

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

Навчання Python для початківців. Ти навчишся створювати "начинку" програм і зможеш працювати Python зі знаннями data Science and machine Learning.

Програма курсу

Python Core

• Вступ до Python
• Контроль потоку та функції
• Робота з датою, часом та розширена робота з рядками
• Робота з файлами та модульна система
• Функціональне програмування та вбудовані модулі Python
• Основи роботи з класами
• Розширене Об'єктно-орієнтоване програмування в Python
• Серіалізація та копіювання об'єктів у Python

Data Science and Machine Learning

• Development. Poetry. Docker
• Database. SQL, MongoDB
• WebScraping
• Знайомство з Data Science програмування
• EDA та основи статистики
• Класичне машинне навчання
• Задача класифікації й оцінка роботи моделі
• Інші алгоритми навчання з учителем
• Навчання без учителя
• Рекомендаційні системи
• Нейромережі та глибоке навчання
• Підбір гіперпараметрів НМ
• Згорткові нейронні мережі
• Моделі дослідження числових рядів
• Класичні приклади нейромереж та основи NLP
• Dash-інтерактивні вебзастосунки

Soft Skills

• Філософія Agile
• Методологія Scrum
• Командна праця
• Тайм менеджмент
• Робота з EnglishDom Words
• Заняття з працевлаштування
• Складання грамотного резюме
• Створення сторінки на LinkedIn
• Написання мотиваційного листа
• Майданчики для пошуку роботи
• Підготовка до HR-інтерв'ю
• Підготовка до технічного інтерв'ю
• Комунікативні навички

Career skills

• Створення резюме
• Оформлення профілів Linkedin та Djinni
• Підготовка до HR та технічної співбесіди
• Рекомендація студентів на вакансії партнерів

Особливості курсу

• Кабінет my.goit
• Прямі ефіри
• Спілкування в чаті
• Круті ментори
• Підготовка до співбесід

Викладачі курсу

• Юрій Кучма - Senior Backend Developer і автор курсу
• Олексій Кудін - Data Scientist/ML Engineer, доцент у ЗНУ
• Ярослав Ісаєнков - Data Science Tech Lead and Kaggle Grandmaster
• Іван Чернега - Senior Data Scientist at Capgemini Engineering
• Ігор Градовий - Data Scientist at EVO

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)

Курс навчить розв'язувати основні задачі Data Science за допомогою поглибленої роботи з Python та його бібліотеками. В результаті ви зможете будувати просунуті візуалізації, знаходити взаємозв'язки в даних, робити прогнози та навчати моделі.

Програма курсу

Задачі Data Science. Interactive Python і знайомство з NumPy

• Дізнаєтеся, чим машинне навчання відрізняється від класичного програмування, та ознайомитеся з видами задач машинного навчання
• Опануєте інструменти для інтерактивної роботи з Python [IPython, Jupyter Notebook та Google Colaboratory]
• Познайомитеся з бібліотекою NumPy
• Навчитеся працювати з типом даних Array: ініціалізація, характеристики, копіювання, типи даних, reshape, фільтрація, сортування
• Вивчите базові математичні функції Array
• Навчитеся створювати масиви та виконувати базові операції над ними в бібліотеці NumPy

NumPy. Лінійна алгебра і статистика

• Отримаєте коротке введення до лінійної алгебри та розберете на прикладах, як ці математичні функції працюють у бібліотеці NumPy
• Навчитеся використовувати математичні та статистичні функції в NumPy
• Навчитеся вводити та виводити NumPy-матриці та масиви різної величини

Знайомство з Pandas

• Дізнаєтеся, навіщо потрібна бібліотека Pandas і що вона дозволяє робити з даними
• Ознайомитеся зі структурами даних у Pandas (Series та Dataframe) і навчитеся проводити базові операції над ними
• Навчитеся створювати, імпортувати та експортувати табличні дані в Pandas Dataframe
• Навчитеся маніпулювати табличними даними
• Дізнаєтесь, як швидко та зручно працювати з табличними даними за допомогою Pandas

Візуалізація даних

• Ознайомитеся з бібліотекою Matplotlib
• Навчитеся будувати базові візуалізації в Python за допомогою Matplotlib
• Дізнаєтеся про три способи візуалізувати дані в Pandas Data Frame
• Навчитеся будувати просунуті візуалізації: heatmap, box plot, pair plot, cumulative plot
• Навчитеся будувати базові інтерактивні візуалізації

Exploratory Data Analysis (EDA) та очистка даних

• Дізнаєтеся, що таке Exploratory Data Analysis (EDA) та його основні компоненти
• Навчитеся швидко розуміти структуру набору даних будь-якого розміру
• Дізнаєтеся, що робити з пропущеними даними та дублікатами
• Навчитеся проводити EDA за допомогою Pandas, SweetViz, Pandas Profiling

Пошук та видалення пропущених значень

• Дізнаєтеся, що таке пропущені значення та чому їх треба опрацьовувати
• Ознайомитеся з типами пропущених значень (випадкові, наслідки системної помилки тощо)
• Навчитеся виявляти пропущені значення у вибірці даних
• Ознайомитеся з різними способами заповнення пропущених значень і навчитеся використовувати кожен із них

Задача прогнозування. Лінійна регресія. Градієнтний спуск

• Розберете модель простої лінійної регресії та її математичну основу
• Ознайомитеся з методом найменших квадратів і методом градієнтного спуску
• Навчитеся тренувати модель лінійної регресії за допомогою бібліотеки scikit-learn
• Дізнаєтесь, як оцінювати якість моделі лінійної регресії, та навчитеся працювати з метриками MSE і RMSE

Інші типи регресій

• Розберете модель багатовимірної лінійної регресії та навчитеся будувати її за допомогою scikit-learn
• Навчитеся інтерпретувати коефіцієнти лінійної регресії
• Розберете модель поліноміальної регресії
• Дізнаєтесь, як оцінювати якість моделі за допомогою метрик MAE, MAPE, R-squared
• Розберете моделі гребінцевої регресії, регресії за методом LASSO та регресії "еластична мережа"

Вибір найкращої моделі. Техніки валідації. Пошук гіперпараметрів

• Дізнаєтеся, навіщо розбивати вибірку на train/validation/test-вибірки
• Зрозумієте, в чому відмінність validation- і test-вибірок
• Дізнаєтеся, що таке гіперпараметри моделі та в чому їхня відмінність від параметрів
• Ознайомитеся з методами підбору гіперпараметрів і навчитеся викликати їх у scikit-learn
• Дізнаєтеся, що таке перехресна валідація та як використовувати її в sklearn
• Зрозумієте, що таке overfit i underfit (і чому це проблема)
• Навчитеся застосовувати регуляризацію в моделях регресії

Задача класифікації. Логістична регресія

• Дізнаєтесь, як навчати модель логістичної регресії для класифікації даних і оцінювати її якість
• Отримаєте алгоритм дій у випадку мультикласової класифікації та зрозумієте, як оцінити якість таких моделей

Модель "дерева рішень"

• Ознайомитеся з моделлю "дерева рішень" і дізнаєтеся, в чому її відмінність від лінійних моделей
• Навчитеся будувати модель "дерева рішень" у scikit-learn

Ансамблі моделей

• Зрозумієте, як працюють ансамблі моделей і в чому їхні переваги
• Розберете базові (Max Voting, Averaging, Weighted Averaging) та просунуті (Stacking, Bagging, Boosting) техніки побудови ансамблів
• Навчитеся будувати різні типи ансамблів моделей
• Дізнаєтеся, який спосіб ансамблювання потрібно використати у випадку high bias, а який - у випадку high variance

Алгоритми бустингу: адаптивний та градієнтний бустинг. Бібліотеки XGBoost

• Вивчите принципи роботи адаптивного і градієнтного бустингів
• Ознайомитеся з функціями бібліотеки XGBoost, розберете її особливості та переваги

Кластерний аналіз даних

• Розберете модель кластеризації як приклад задачі навчання без учителя
• Розберете моделі кластеризації K-Means, DBSCAN, Agglomerative Clustering, а також їхні особливості побудови та принципи роботи на практиці
• Навчитеся виявляти групи схожих екземплярів даних за допомогою кластеризації

Вибір ознак. Зменшення розмірності даних

• Навчитеся зменшувати розмірність набору даних із великою кількістю ознак
• Навчитеся обирати фічі так, щоб залишити лише найбільш значущі для моделі
• Дізнаєтесь, як працюють і чим відрізняються методи зменшення розмірності SVD, PCA та LDA

Статистичний аналіз даних

• Ознайомитеся з бібліотекою SciPy
• Навчитеся генерувати випадкові величини різних імовірнісних розподілів, проводити тести нормальності та порівнювати розподіли двох випадкових величин
• Вивчите основи перевірки статистичних гіпотез: помилки I та II роду, p-value
• Дізнаєтесь, як проводити А/В-тестування та перевіряти гіпотези

Співбесіди й вимоги до них. Розповсюджені помилки у домашніх завданнях

Особливості курсу

• Заняття щопонеділка та щочетверга
• Інструменти для роботи
• Сильний контент
• Практика
• Кар'єра: розширення стеку навичок

Викладачі курсу

• Олександра Кардаш - Senior Software Engineer at Google
• Ірина Безкровна - Technical Data Lead at Xometry

Навчіться автоматизувати збір та оброблення даних завдяки Python, розробляти прогнозні моделі, використовувати інструменти моніторингу та аналізу точності, а також візуалізувати дані та створювати зрозумілі дашборди.

Програма курсу

Знайомство з викладачем та огляд курсу

• Цілі та воркфлоу курсу
• Налаштування середовища Python
• Введення у завдання проєкту та ключові дати
• Q&A-сесія

Роль Data Science, AI та ML у фінансах

• Що таке Data Science, AI та ML
• Програмні застосунки у фінансових послугах
• Важливі навички для Data Scientist або Data Engineer
• Ключова термінологія та програмне забезпечення, пов'язане з фінансовими послугами
• Ланцюг оброблення машинного навчання та воркфлоу

Практичні стратегії пошуку та очищення наборів фінансових даних

• Загальні джерела даних для Data Science та Al у фінансах
• Загальні методи збору й очищення даних та їхня реалізація на Python
• Кейс-стаді: розв'язання загальних проблем у фінансових даних
• Практичне завдання: застосування методів очищення даних за допомогою Python

Від даних до дієвих інсайтів: Exploratory Data Analysis (EDA) на Python

• Exploratory Data Analysis та його використання у фінансах
• Функціональна інженерія та її використання в Data Science
• Як візуалізація може прискорити процес EDA
• Дані часових рядів та як поводитися з ними в EDA
• Демо: реалізація на Python

Статистичне моделювання у фінансах за допомогою Python

• Вступ до статистичного моделювання та використання у фінансах
• Як робити висновки та перевіряти бізнес-гіпотези за допомогою ваших даних
• Практичне завдання: оцініть кредитоспроможність проєкту LendingClub

AI та ML у фінансах

• Вступ до машинного навчання та штучного інтелекту
• Алгоритми Al & ML
• Побудова класифікаційних моделей для оцінювання ризиків
• Оцінювання та інтерпретація моделей ML
• Збалансування точності моделі та її зрозумілості
• Поширені проблеми в моделюванні та методи їхнього розв'язання
• Демо: потік навчання та оцінювання моделі EZE

Ансамблеві методи для предикативного моделювання

• Ансамблеві моделі в машинному навчанні
• Фреймворки інтерпретації та пояснення моделей
• Вступ до налаштування гіперпараметрів
• Демо: реалізація ансамблевої моделі з налаштуванням гіперпараметрів та порівняння ефективності з базовою моделлю, побудованою на занятті №4

Вступ до глибокого навчання (DL) та нейронних мереж

• Основи глибокого навчання та нейронних мереж
• Розуміння того, як DL та нейронні мережі використовуються у фінансах
• Демо: популярні фреймворки Python для нейронних мереж

Неконтрольоване навчання у фінансах: виявлення викидів, сегментування клієнтів та подолання "прокляття розмірності"

• Виявлення відхилень: приклади використання та методи у фінансових послугах
• Приклади використання кластеризації та сегментації
• Аналіз головних компонентів для зменшення розмірності
• Демо: реалізація на Python

Моделювання часових рядів у фінансових послугах

• Дані часових рядів та їхнього використання у фінансах
• Розкладання даних часових рядів на ключові компоненти
• Методи прогнозування та сімейства моделей
• Демо: реалізація на Python

Генеративний АІ у фінансових послугах

• Вступ до генеративного Al та великих мовних моделей
• Моделі впровадження у фінансових послугах, ризики та можливості
• Демо: створення чат-бота для обслуговування користувачів

Створення застосунку на Python для виявлення шахрайства в реальному часі

• Введення у створення застосунків на Python
• Демо: створення застосунку для виявлення шахрайства
• Міркування щодо масштабованості та дизайну застосунку

Від ідеї до використання: життєвий цикл ML Ops

• Дизайн та архітектура системи ML
• Життєвий цикл та управління моделями ML Ops
• Етичні аспекти ML у фінансовій сфері
• Конфіденційність та безпека даних
• Регламент та комплаєнс

Ефективна співпраця та кращі практики в командах Data Science

• Ефективна реалізація проєктів у галузі Data Science
• Вимірювання успіху та ROI
• Кращі практики кодування та розробки програмного забезпечення
• Ефективна співпраця
• Розвиток хмарних технологій та тенденції в галузі Data Science
• Практичне завдання: визначення успіху для вашої ініціативи в галузі Data Science

Стратегічне планування кар'єри для Data Scientists у фінансах

• Кар'єрні шляхи в Data Science у фінансах
• Ключові тенденції та майбутнє AI у фінансах
• Підготовка резюме та проходження співбесіди
• Підсумки курсу

Особливості курсу

• Власний проєкт
• Практичний досвід
• Викладач з міжнародним досвідом
• Сертифікат про проходження курсу

Викладачі курсу

Андреа Аугусто Бароні - Head of Data Science Platform at Barclays

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

Програма курсу

Вступ до професії Data Scientist і воркфлоу роботи на курсу

Теми:

• Що таке дані та для чого їх збирати
• Чим відрізняються професії Data Analyst, BI Analyst, Data Engineer, Software Engineer, Data Scientist i Machine Learning Engineer
• Стек навичок Data Scientist

Результати:

• Дізнаєтеся, що таке дані і які можливості є в бізнесу, якщо він правильно збирає та обробляє свої дані
• Зрозумієте різницю між професіями Data Scientist, Data Analyst, BI Analyst і Data Engineer. Розберете зони відповідальності кожної
• Дізнаєтеся про види та типи даних
• Розберете ключові задачі Data Scientist у компанії
• Розберете стек навичок Data Scientist, виокремите власні сильні та слабкі сторони для цієї професії

Інструменти Data Scientist

Теми:

• Python та Jupyter Notebook
• Принципи ООП та їхнє застосування в програмуванні на Python
• Базові концепти Python
• Функціональне програмування
• Особливості програмування на Python
• Основні бібліотеки та фреймворки Python
• Бібліотеки Python для Data Science

Результати:

• Знайомі з концептом і принципами програмування на Python
• Знаєте базовий синтаксис Python
• Вмієте користуватися Jupyter Notebook
• Знайомі з принципами ООП та застосовуєте їх на практиці
• Розумієте різницю між обʼєктно-орієнтованим і функціональним програмуванням
• Вмієте використовувати код на Python для пошуку та обробки даних
• Розумієте, для чого потрібні бібліотеки Python, та знайомі з основними з них
• Знаєте, які бібліотеки Python використовують у Data Science, та вмієте працювати з ними

Базова математика для Data Science

Теми:

• Основні концепти лінійної алгебри
• Поняття вектора та операції з векторами
• Поняття матриці та операції над матрицями
• Векторний, нормативний та математичний простір
• Події та ймовірність
• Розподіл імовірностей
• Дисперсія
• Види розподілів

Результати:

• Актуалізували забуті знання з лінійної алгебри та статистики
• Знайомі з поняттям просторів у математиці та розумієте, для чого вони потрібні
• Знайомі з концептами теорії ймовірностей
• Знаєте формули розрахунку ймовірностей та вмієте ними користуватися
• Розумієте, що таке розподіл, дисперсія, кореляція, коваріація
• Вмієте описувати задачі математичною мовою
• Застосовуєте математичні формули для розвʼязання задач Data Science

Бази даних для Data Science

Теми:

• Що таке дані та як їх зберігати
• SQL для роботи з даними

Результати:

• Розумієте, що таке дані та як правильно їх зберігати
• Розбираєтесь у видах баз даних
• Розумієте різницю між DB та DBMS
• Вмієте писати SQL-запити та користуватися операторами INSERT, DELETE, SELECT, WHERE та JOIN
• Знаєте, як "витягнути" потрібні дані з бази

Методи машинного навчання

Теми:

• Регресія
• Задачі класифікації
• Метод опорних векторів
• Дерева ухвалення рішень
• Задачі кластеризації
• Методи прогнозування
• Методи оцінки якості прогнозів
• Поняття нейронних мереж
• Бібліотеки та фреймворки для роботи з нейромережами
• Метрики оцінки якості моделей Machine Learning

Результати:

• Вмієте будувати лінійну та поліноміальну регресію
• Вмієте розв'язувати задачі класифікації та кластеризації
• Знаєте, як провести базовий Time Series Analysis
• Вмієте будувати прогнози на основі отриманих даних
• Вмієте працювати з пакетами PyTorch, TensorFlow, Keras для побудови моделей Machine Learning
• Знайомі з метриками оцінки якості моделей
• Розумієте, який алгоритм працює "під капотом" нейромереж
• Побудували першу нейронну мережу вручну
• Вмієте користуватися нейромережами для прогнозування

Аналіз даних та прогнозування

Теми:

• Зчитування та обробка даних перед побудовою моделі
• EDA, Feature Engineering, Feature Importance

Результати:

• Зчитуєте дані із CSV, JSON, XLSX, SQLite
• Знаєте, як працювати з Missing Data
• Будуєте зрозумілі візуалізації для даних
• Вмієте знаходити закономірності в даних
• Розумієте, чому так важливо правильно зібрати та обробити дані перед побудовою моделей прогнозування і чому не можна просто взяти всі дані та закинути в модель
• Знайомі з поняттям Feature та знаєте, що це таке в кожній моделі
• Розумієте, навіщо використовувати Feature Importance

Обробка Big Data та розвиток майндсету дата-саєнтиста

Теми:

• Обробка великих даних: парадигми, паралельне обчислення, розподілені системи
• Компоненти Spark: Core, SQL, MlLib, Streaming, GraphX
• Основи Spark: RDD, transformations та actions, lazy evaluations
• Популярні API для роботи зі Spark
• Базові операції в Databricks Notebook, синтаксис PySpark, візуалізація даних
• Що таке майндсет дата-саєнтиста
• Формулювання гіпотез та методи їх перевірки
• Розуміння потреб бізнесу, поєднання вимог і математичних побажань
• Вибір підходу та моделі, оцінка моделей
• Поділ задачі від ПО на таски, планування
• Презентація результатів та кінцевого рішення
• Побудова власного профілю Data Scientist

Результати:

• Розумієте, що таке великі дані та знаєте принципи їх обробки
• Знаєте основи технології Spark та типові ситуації для її застосування
• Володієте базовим синтаксисом PySpark для операцій в Spark
• Працюєте з даними в Databricks Notebooks
• Застосовуєте майндсет дата-саєнтиста на практиці

Презентація фінального проєкту

Результати:

• Отримаєте Tabular Data і застосуєте всі скіли, опановані протягом курсу, на практиці
• Опрацюєте дані, побудуєте візуалізації, зберете пайплайн, побудуєте та натренуєте модель для прогнозування
• Представите свою модель колегам

Особливості курсу

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

Викладачі курсу

Дмитро Безущак - Data Scientist / ML Engineer