Курси Data Science та Machine learning

Фільтр
Курс
Рекомендуємо
Формат
Online
Початок навчання
22.04.2024
Тривалість
10 тижнів
Рівень
Для досвідчених
Мова навчання
Ukrainian
Вартість
уточнюйте
Гнучкий графікВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Robot Dreams
  • Python
  • Data Science / Machine learning / AI
Подробиці

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

Особливості курсу

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

Викладачі курсу

Олександра Кардаш - Data Scientist у Shelf

Більше інформації
Курс
Формат
Online
Початок навчання
26.09.2023
Тривалість
9 тижнів
Рівень
Для досвідчених
Мова навчання
Ukrainian
Вартість
уточнюйте
Вечірні заняттяВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Robot Dreams
  • Data Science / Machine learning / AI
Подробиці

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
  • Використовуєте scikit-learn для перехресної перевірки
  • Вмієте робити перехресну перевірку вручну

Висновок, або Як брехати за допомогою статистики

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

Презентація курсового проєкту

  • Тема: Використання наукового методу та статистичного аналізу для розв'язання проблеми
  • Формат: Студенти отримають завдання для проєкту на 15 заняттях, на виконання в них буде 1,5 тижня, після чого вони презентують результати свого аналізу перед лектором та рештою студентів.
  • Вимоги до проєкту: Візуалізувати дані та провести дескриптивний аналіз. Самостійно вибрати метод розв'язання завдання (перевірка статистичних гіпотез чи довірчий інтервал), письмово обґрунтувати цей вибір. Застосувати вибраний метод. Застосувати регресії, письмово пояснити результати та висновки. Використати бібліотеку Python. Презентувати рішення лектору та студентам.

Особливості курсу

  • Сильний контент
  • Інструменти для роботи
  • Практика
  • Кар'єра

Викладачі курсу

Кристина Ісакова - Data Scientist у Holidu

Більше інформації
Курс
Формат
Online
Початок навчання
01.04.2024
Тривалість
12 тижнів
Рівень
Для початківців, Для досвідчених
Мова навчання
Ukrainian
Вартість
уточнюйте
Гнучкий графікВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Robot Dreams
  • Data Science / Machine learning / AI
Подробиці

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

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

EDA, Feature Engineering, Feature Importance

Теми:

  • Зчитування та обробка даних
  • 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

Data Scientist Mindset

Теми:

  • Що таке майндсет дата-саєнтиста
  • Deploy моделей

Результати:

  • Розумієте, як будується проєкт Data Science із нуля
  • Знаєте, як формуються припущення й гіпотези, та вмієте їх перевіряти
  • Керуєтеся потребами бізнесу під час роботи з даними та побудови прогнозів
  • Вмієте оцінювати власні моделі
  • Знаєте, як презентувати результати своєї роботи менеджменту
  • Вмієте деплоїти та редеплоїти власні моделі в Docker

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

Більше інформації
Курс
Формат
Online
Початок навчання
29.01.2024
Тривалість
9 тижнів
Рівень
Для початківців, Для досвідчених
Мова навчання
Ukrainian
Вартість
уточнюйте
Вечірні заняттяВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Robot Dreams
  • Data Science / Machine learning / AI
Подробиці

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 Харріса. 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 роботи з цифровим відео. Розберете різницю між трекінгом та детекцією на практиці, реалізовуючи реальне робоче завдання.

Q&A-сесія

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 ознайомитеся з іншими перевагами графічного процесора. Ознайомитеся з хмарним сервісом Google Colaboratory та навчитеся будувати й тренувати моделі в ньому. Дізнаєтесь, навіщо проводити інспекцію баз даних.

Згорткові нейронні мережі: part 1

Вивчите 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. Вивчите принцип bottleneck. Побудуєте простий автоматичний енкодер для очищення зображень від шуму.

Воркшоп з нейронних мереж

Детекція об'єктів

Вивчите 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, щоби 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.

Q&A-сесія

Презентація курсового проєкту

Особливості курсу

  • Сильний контент
  • Широкий набір інструментів
  • Практика
  • Кар'єра

Викладачі курсу

Ян Колода - Senior CV & ML Engineer at Gini GmbH

Більше інформації
Курс
Рекомендуємо
Формат
Online
Початок навчання
Дата формується
Тривалість
11 занять
Рівень
Для початківців, Для досвідчених
Мова навчання
Ukrainian
Вартість
400 USD за курс
Гнучкий графікВидається диплом/сертифікат
IAMPM
  • Data Science / Machine learning / AI
Подробиці

Курс Data Science для нетехнічних спеціалістів. Після закінчення навчання ви зможете самостійно написати прості SQL запити, скласти звіти у Power BI або ж зробити прототип DS-проєкту.

Програма курсу

Вступна лекція. Робота з даними

Розберемося, які існують типи даних і чому вони важливі для проєкту. Дізнаємося, де можна брати дані, як всередині вашого проєкту, так і за його межами. Розглянемо, які види Data Science існують. Порівняємо позиції Data Engineer та Data Analyst і дізнаємося їхні основні відмінності, а також де закінчується їх зона відповідальності і починається робота менеджера. Проведемо воркшоп із підготовки даних для тренування моделі на прикладі e-commerce.

Написання SQL запитів

Вивчимо основні артефакти даних: бази даних, таблиці, атрибути. Поговоримо про Big Data і яку користь від цього можна мати. Розглянемо, коли використовувати SQL, а коли віддати перевагу NoSQL.

  • Вчимося створювати вибірки даних (SELECT).
  • З'єднуємо таблиці (JOIN).
  • Збираємо дані (AGGREGATIONS).

Вибір правильного підходу в DS

Дізнаємося, які завдання можна вирішити за допомогою DS\ML і що потрібно для початку впровадження технології у своєму проєкті, розібравши:

  • як визначити проблему для вирішення;
  • як сформувати гіпотезу зростання;
  • як оцінити вплив гіпотези на продукт;
  • які бізнес ресурси потрібні для початку роботи над гіпотезою.

Побудова моделі

  • Типова архітектуру DS\ML проєкту.
  • Будуємо модель власноруч, щоб зрозуміти, як створити MVP вашого Data Science проєкту.
  • Оцінюємо результат роботи моделі. Критерії якості моделі та підсумки роботи Machine Learning команди.
  • Визначаємо Machine Learning моделі для чотирьох типів завдань:
    • ціноутворення;
    • класифікація відгуків;
    • розпізнавання зображення;
    • побудова чат-бота.

Побудова Machine Learning команди всередині компанії

  • Побудова Machine Learning команди і кого треба наймати для створення MVP вашого проєкту.
  • Зони відповідальності на етапі MVP і за повного циклу розробки. Визначимо, як впроваджувати Data Science в вашому проєкті або продукті.
  • Розглядаємо Agile практики з управління DS/ML проєктами і чим вони відрізняються від традиційної розробки.

Data Science для розрахунку LTV

  • Обговоримо поняття статистичної значущості. Робимо прогноз LTV за допомогою статистичних методів.
  • Зробимо аналогічний прогноз LTV за допомогою DS методів.
  • Проаналізуємо нюанси передбачення відтоку клієнтів (churn).
  • Вчимося приймати рішення на основі прогнозів за допомогою churn моделей.
  • Як сегментування клієнтів разом із передбаченням LTV і відтоку клієнтів може допомогти в оптимізації бізнесу.

NLP для оптимізації Support команди

  • Як за допомогою методів обробки природної мови та active learning оптимізувати роботу відділу підтримки клієнтів. Розберемося, як впровадити їх у себе в проєкті.
  • Застосуємо кілька алгоритмів, які допоможуть з визначенням тем і обробкою коментарів.

Візуалізація даних

Основні інструменти для візуалізації:

  • Excel.
  • Tableau.
  • PowerBI.
  • QlikView.
  • Pentaho.
  • Birst.

Візуалізація даних за допомогою Power BI

  • З'єднуємо джерела.
  • Створюємо діаграми.
  • Використовуємо фільтри і агрегацію.
  • Налаштовуємо dashboards.
  • Розбираємося з delivery і експортом.

Впровадження NLP в компанію

  • Стандартний NLP pipeline.
  • Поставлене бізнес завдання і процес впровадження конкретного рішення з вибором компонентів.
  • Розмітки даних для тренінгу, тренінг DNN, використані метрики.
  • Інтеграція технічного рішення з інфраструктурою бізнесу.

Особливості курсу

  • Курс розрахований на поглиблення навичок для Project Managers, Product Managers, Business Analysts, Business Owners
  • Викладачі мають великий досвід роботи у різних компаніях
  • Персональні консультації по розвитку кар'єри
  • Рекомендації по покращенню резюме та портфоліо
  • Допомога в пошуку релевантних вакансій
  • Можливе повернення коштів після двох занять, якщо не сподобається

Викладачі курсу

Сергій Брандіс - Co-founder AI в startup Aidrome.
Кирило Юрченко - DS Architect в GlobalLogic.
Сергій Пінігін - Director of Product в Adwiser.

Більше інформації
Курс
Формат
Online
Початок навчання
14.05.2024
Тривалість
7 місяців
Рівень
Для початківців
Мова навчання
Ukrainian, English
Вартість
уточнюйте
Вечірні заняттяВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
GoIT
  • Python
  • Data Science / Machine learning / AI
Подробиці

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

Програма курсу

Python Core

  • Змінні, вирази та інструкції Python
  • Управління потоком виконання. Ітерації
  • Колекції
  • Функції
  • Рядки
  • Файли
  • Підключення розширень (модулів) до Python
  • Вбудовані пакети Python
  • Елементи функціонального програмування
  • Об'єктно-орієнтоване програмування
  • Магічні методи
  • Управління поведінкою екземпляра класу
  • +1 командний проєкт

Python for Data Science

  • Data Mining. NumPy
  • Обробка даних. Pandas
  • Обчислення. SciPy
  • Візуалізація даних. Seaborn. Matplotlib
  • Big Data. PySpark
  • Machine Learning. Scikit-learn
  • Deep Learning. TensorFlow
  • Deep Learning. Keras
  • +1 командний проєкт

Soft Skills

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

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
Більше інформації
Відеокурс / Платформа
Формат
Online
Початок навчання
Будь-який момент
Тривалість
-
Рівень
Для досвідчених
Мова навчання
Ukrainian
Вартість
3 000 UAH за курс
Гнучкий графік
Projector
  • Data Science / Machine learning / AI
Подробиці

Вивчимо математичну теорію для роботи з розробкою, ML, NLP, computer vision, анімацією, 3D графікою та навчимося використовувати її для реальних прикладних задач.

Програма курсу

Функція

Розглянемо поняття "функція" та її властивості. Функції будуть постійним об’єктом нашого аналізу та оптимізації у межах наступних тем

Ліміти

Дізнаємось, що таке ліміти і як їх застосовувати. Це один з базових блоків, на якому будується диференціальний та інтегральний аналіз

Похідна

Розглянемо, що таке похідна функції, як її знайти та як похідні пов’язані з аналізом функцій

Правило ланцюга

Поговоримо про методи диференціювання та правило ланцюга. Навчимося знаходити похідні для будь-яких складних функцій

Аналіз функції

Розглянемо, як робити аналіз функції, знаходити її нулі, асимптоти, екстремуми тощо

Лінеаризація функцій

Поговоримо про потужний метод – лінеаризація, - який широко використовують для спрощення функцій у методах оптимізації, у диференціальних рівняннях тощо

Вектори

Проаналізуємо вектор як базовий математичний елемент багатовимірних просторів, де ми будемо працювати з будь-якими даними

Пряма та площина

Розглянемо, як із базовими елементами геометрії – пряма і площина – можна працювати у векторному вигляді

Нормовані векторні простори

Дізнаємося, що таке норма (метрика) і як можна міряти відстані, використовуючи різні норми

Скалярний добуток

Розглянемо симетричну функцію від двох векторів, яка дозволяє міряти кути в Евклідовому просторі, а також проєктувати одні вектори на інші

Матриці

Подивимося на матриці з різних сторін. Дізнаємось, що матриці можна розглядати як лінійні перетворення або функції і що деякі матриці можуть бути оберненими, а деякі – ні

Системи лінійних рівнянь

Поговоримо про систему рівнянь у матричній формі. З'ясуємо, скільки рішень може бути: одне, жодного чи нескінченна кількість. І дізнаємось, як це визначити в загальному випадку

Функція від декількох змінних

Розглянемо функцію від вектора й визначимо, що таке похідна в цьому випадку

Градієнтний спуск

Дізнаємось, що таке градієнт і чому цей вектор можна використати для пошуку екстремуму функції

Визначений інтеграл

Розглянемо, як площа під графіком похідної функції пов’язана з самою функцією, а також поговоримо про інтеграл Рімана

Невизначений інтеграл

Поговоримо про невизначений інтеграл як антипохідну та основну теорему диференціально-інтегрального числення

Випадкові величини

З'ясуємо, що таке випадкові величини та яка різниця між дискретними й неперервними величинами. Поговоримо про щільність розподілу випадкових величин

Середнє значення та варіація

Розглянемо, що таке середнє значення, мода та медіана випадкової величини. Визначимо, що таке варіація і як її знайти, інтегруючи функцію щільності випадкової величини

Оцінка випадкових величин

Дізнаємося, як оцінити параметри розподілу випадкової величини, якщо в нас є вибірка даних цієї величини

Інтервали впевненості

Розглянемо, як можна знайти інтервал, у який має потрапити наша оцінка з певною мірою впевненості. Поговоримо про центральну теорему статистики

Особливості курсу

  • 20 відеолекцій
  • Задачі

Викладачі курсу

Ян Цибулькін - VP Data Science WorkOrder та Co-Founder Bldbox, Cloudozer, Symica

Більше інформації
Курс
Формат
Online
Початок навчання
Будь-який момент
Тривалість
21 тижнів
Рівень
Для досвідчених
Мова навчання
English
Вартість
безкоштовно
Гнучкий графікСупровід ментора
EPAM
  • Data Science / Machine learning / AI
Подробиці

Протягом трьох місяців інтенсивного навчання ти будеш освоювати матеріали для самонавчання, виконувати завдання та спілкуватися з нашими менторами під час Q&A сесій.

Програма курсу

Ця навчальна програма навчання включає в себе два етапи підготовки.

Етап 1 - 3 місяці. Тобі потрібно виділяти ~ 15 годин щотижня, щоб опанувати такі теми:

  • Basic Engineering
  • Basic Statistics
  • Exploratory Data Analysis
  • Regression
  • Classification
  • Clustering
  • Deep Learning Foundation
  • Business + Advanced Data Science Overview
  • Basic Maximum Likelihood Estimation (MLE)

Після завершення у тебе буде фінальний проект і тебе запросять на технічну співбесіду. Якщо ти успішно їх пройдеш і продемонструєш хороші результати на першому навчальному етапі, то можеш приєднатися до наступного.

Етап 2 - 3,5 місяці. Ти потрапиш на менторську програму, що вимагатиме ~ 30 годин щотижня, щоб опанувати такі теми:

  • Computer Vision
  • Natural Language Processing
  • ML Engineering

По завершенню навчання на тебе чекає заключна технічна співбесіда та можливість продовжити свій кар’єрний шлях відповідно до твоїх здобутих та продемонстрованих навичок і доступних можливостей в EPAM.

Як долучитися до програми?

  1. Зареєструйся. Заповни всі необхідні поля, прикріпи своє резюме та отримай підтвердження з детальною інформацією на свою електронну пошту або у розділі сповіщень
  2. Опиши свою зацікавленість та мотивацію в блоці "Додаткова інформація" у своєму профілі
  3. Пройди тести з англійської мови та технічний тест, які доступні у твоєму профілі. Тести потрібно завершити протягом 5 днів після реєстрації. Щоб пройти далі потрібно володіння англійською на рівні B2 та мінімум 60% в тех. тесті
  4. Отримай сповіщення на співбесіду з рекрутером
  5. Пройди онлайн-технічний іспит.
  6. Отримай запрошення на програму.

Що необхідно для успішного навчання:

  • Знання математичного аналізу (похідні, інтеграли, екстремуми функцій у багатовимірному реальному просторі)
  • Навички лінійної алгебри (вектори, матриці, тензори, лінійні рівняння, власні значення та власні вектори, квадратичні форми)
  • Знання теорії ймовірностей (визначення ймовірності, умовна ймовірність, теорема Байєса, очікування)
  • Знання статистики (основні поняття, перевірка гіпотез, поняття ймовірності, оцінка параметра розподілу)
  • Розуміння основних концепцій і методів оптимізації (стаціонарні точки, множники Лагранжа, градієнтний спуск)
  • Знання структур даних і алгоритмів
  • Знання Python (включаючи основи numpy та pandas)
  • Рівень англійської: від B2 (Upper-Intermediate)

Участь у програмі дасть тобі можливість:

  • Отримати міцний фундамент в розробці програмного забезпечення
  • Глибоко зануритися в статистику та аналіз даних
  • Вивчити методи регресії, класифікації та кластеризації
  • Дослідити основи deep learning та нейронних мереж

Учасники, які покажуть високі результати під час навчання та успішно пройдуть технічну співбесіду, будуть запрошені на наступний етап та долучаться до однієї з менторських програм: Computer Vision, Natural Language Processing або ML Engineering.

Більше інформації
Експрес-курс
Формат
Online
Початок навчання
Будь-який момент
Тривалість
4 занять
Рівень
Для початківців
Мова навчання
Ukrainian
Вартість
безкоштовно
Гнучкий графікСупровід ментора
Platma Academy
  • Data Analyst / Business Intelligence (BI)
  • Data Science / Machine learning / AI
Подробиці

Програма курсу

Модуль 1. Вступ до Data Science та Data Analysis

Вступ до Data Science та Data Analysis

Ознайомтеся з основами та роллю цих професій в сучасному світі.

Модуль 2. Інструменти Data Science

Інструменти Data Science

Дізнайтеся про ключові інструменти та технології, які використовуються професіоналами.

Модуль 3. Power BI

Power BI

Опануйте інструмент для візуалізації даних та створення інформативних звітів.

Модуль 4. Python

Python

Вивчайте одну з найпопулярніших мов програмування, необхідних для Data Science.

Особливості курсу

  • Відеозаписи занять
  • Презентації з матеріалом
  • Домашні завдання
  • Доступ до платформи

Викладачі курсу

Ігор Бетлей - Head of R&D in Platma & Agrosem

Більше інформації
Курс
Формат
Online
Початок навчання
16.01.2024
Тривалість
6 місяців
Рівень
Для початківців, Для досвідчених
Мова навчання
Ukrainian
Вартість
59 000 UAH за курс
Гнучкий графікВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Big Data Lab
  • Data Science / Machine learning / AI
Подробиці

Програма курсу

Основи обчислень для Data Science

  • Основи математичного аналізу для DS
  • Основи лінійної алгебри для DS
  • Методи оптимізації
  • Основи теорії ймовірностей для DS
  • Основи математичної статистики для DS

Машинне навчання та аналіз даних

Supervised Learning

Дерева прийняття рішень, наївний баєсів класифікатор, логістична регресія, андсамблеві методи.

Unsupervised Learning

Алгоритми кластеризації.

Специфічні види машинного навчання

Навчання з гарантованою точністю (conformal learning), причинно-наслідкове навчання (casual learning).

Інтелектуальний аналіз даних

Зниження розмірності, пошук асоціативних правил.

Нейронні мережі та глибоке навчання

  • Нейронні мережі з прямим розповсюдженням сигналу
  • Нейронні мережі, що навчаються шляхом безпосереднього запам'ятовування даних
  • Застосування нейронних мереж для розпізнавання кібератак
  • Нейронні мережі, що самонавчаються
  • Глибокі нейронні мережі
  • Згорткові нейронні мережі
  • Рекурентні нейронні мережі
  • Глибокі рекурентні нейронні мережі
  • Нейромережеве розпізнавання диктора, та аналіз клавіатурного почерку
  • Проблематика розвитку нейромережних рішень

Прогнозний аналіз і часові ряди

  • Оцінювання і прогнозування поліномінального тренду
  • Структурний аналіз часових рядів. Прогнозування циклічного тренду
  • Дослідження методів згладжування і декомпозиції часових рядів
  • Регресійні прогнозуючі моделі та авторегресійні прогнозуючі моделі
  • Прогнозування на основі методу опорних векторів
  • Нелінійні прогнозуючі моделі
  • Розробка і дослідження прогнозуючих моделей, що навчаються
  • Прогнозування коінтегрованих часових рядів
  • Уточнення і розгортання прогнозних моделей

Основи програмування та інженерії

  • Основи мови програмування Python
  • Бібліотеки Python для аналізу даних (pandas, numpy, matplotlib, scipy, scikit-learn, seaborn, tensorflow тощо)
  • Підготовка та попередня обробка даних
  • Знайомство з API бібліотек для будування моделей

Зберігання даних, їх аналіз та візуалізація

  • Основні положення
  • Моделі даних
  • Системи збору та зберігання даних
  • SQL як мова управління даними
  • Master Data Management
  • Рух даних в компанії (data pipeline)
  • Аналітика даних (business intelligence)
  • Візуалізація даних та data stroytelling

Інфраструктура та технології великих даних для аналізу даних

  • Основи хмарних обчислень
  • Архітектура систем для великих даних
  • Платформа Hadoop для аналізу великих даних
  • Бази даних SQL i NoSQL
  • Програмування на Hive i Pig Latin для великих даних на платформі Hadoop
  • Потоки даних та потокова аналітика
  • Управління даними підприємств, організаційні ролі
  • Безпека великих даних та відповідність стандартам

Доменна предметна експертиза

  • Пропонується на вимогу, специфічний для групи та залежно від наявності доменних експертів
  • Можливі теми : Фінанси, CRM, Телекомунікації, Веб-реклама та маркетинг
  • Детальна інформація найближчим часом

Фінальний проєкт

Студент вибирає фінальний проєкт із пула задач, запропонованих DS-фахівцями Vodafone, і повинен пройти весь шлях до його реалізації:

  • Постановка задачі
  • Отримання дата-сету знеособлених задач від Vodafone
  • Додатковий збір даних (у разі потреби)
  • Вивчення і візуалізація даних
  • Препроцесинг
  • Вибір моделі та її тренування. Оцінка якості моделі

На випускному іспиті потрібно буде захистити проєкт перед комісією:

  • презентація
  • код
  • результат

Попередні вимоги

  • Бажання розібратися у новій перспективній галузі Data Science
  • Можливість виділяти протягом півроку та щотижня по 12 годин на аудиторні заняття і не менше часу на самостійну роботу
  • Логічно-раціональне, алгоритмічне мислення
  • Знання (можливо, забуте) основ лінійної алгебри та теорії ймовірності
  • Вміння програмувати будь-якою мовою програмування
  • Наявність ноутбука, щоб виконувати лабораторні роботи та працювати на практичних заняттях

Особливості курсу

  • Унікальна доменна експертиза
  • Практика на реальних великих даних
  • Постійне вдосконалення програми
  • Поступове входження у матеріал завдяки новим підготовчим курсам
  • Команда викладачів світового рівня
  • Можливість окремо пройти підготовчий курс і перейти до основного

Викладачі курсу

  • Володимир Рибалко - Керівник департаменту Customer Value Management (Big Data) Vodafone Ukraine
  • Володимир Кошель - Senior Data Scientist, Deep Learning Engineer. Vodafone Ukraine
  • Вероніка Тамайо Флорес - Керівник проектів із запровадження технологій data science та business intelligence в Datascience.ua
  • Вікторія Рубан - PR-директор компанії Vodafone Ukraine
  • Сергій Курсон - Координатор проєкту
  • Леонід Любчик - Професор, доктор технічних наук
  • Олександр Романко - Ph.D, Head of Financial Risk Quantitative Research
  • Олександр Проскурін - Founder and CIO at Machine Factor Technologies
  • Олександра Богуславська - CEO & Founder Data Science UA
  • Ганна Мельник
  • Богдан Сохатюк
  • Олег Чертов - Професор, доктор технічних наук
  • Юрій Демченко - Старший науковий співробітник, викладач Амстердамського університету
  • Андрій Ставицький - Доктор економічних наук
Більше інформації
Курс
Формат
Online
Початок навчання
Будь-який момент
Тривалість
6 місяців
Рівень
Для початківців
Мова навчання
Ukrainian
Вартість
3 400 UAH за місяць
Гнучкий графікВидається диплом/сертифікатСупровід ментора
Optima Academy
  • Data Science / Machine learning / AI
Подробиці

Курс спрямований на опанування базових методів та інструментів технологій Data Science для розробки прикладних програмних скриптів мовою Python із використанням бібліотек: Pandas, NumPy, Matplotlib, scikit-learn, TensorFlow.

План курсу

1. Основи програмування на Python

Розкриваються основи роботи з базовими записами мови програмування Python для подання основних структур даних і реалізації алгоритмів їх обробки:

  • вступ до Python
  • інтегроване середовище розробки та налагодження Python-програм
  • основні типи даних Python
  • базові конструкції Python
  • функціональні механізми Python
  • об'єкти та класи в Python
  • базові бібліотеки Python
  • програмування графіки

2. Технології Data Science

Надання комплексного ґрунтовного теоретичного базису та практичних навичок програмної реалізації методів, математичних моделей і алгоритмів технологічних процесів Data Science (дослідження даних). Практична частина орієнтована на застосування мови програмування високого рівня Python із вивченням функціонала бібліотек Pandas, NumPy, Matplotlib, scikit-learn, TensorFlow. В курсі розкривається суть технологічних процесів Data Science: дані - інформація - знання - маніпулювання знаннями - візуалізація. Дисципліна складається з взаємопов'язаних блоків:

  • прикладний статистичний аналіз даних
  • багатокритеріальні моделі прийняття рішень
  • інтелектуальний аналіз даних (технології: OLAP, Data Mining, Text Mining)
  • застосування штучного інтелекту
  • алгоритми та технології прогнозування динаміки змін фінансових і фондових ринків, визначення кредитних ризиків для банківських CRM

Знання та навички курсу відповідають базовим вимогам до фахівців у галузі Data Science.

План навчання

  • для учнів 10, 11 класів та дорослих
  • тривалість заняття - 45 хвилин
  • інтенсивність - 3 заняття на тиждень із кожної дисципліни
  • повна тривалість курсу - 6 місяців, 68 занять на дисципліну
  • заняття проходять онлайн, що дає змогу вчитися в комфортній, безпечній обстановці та не пропускати зустрічі

Що необхідно для навчання?

Ноутбук або комп'ютер, під'єднаний до інтернету та оснащений необхідними гарнітурами (колонки або навушники, вебкамера, мікрофон).

Особливості курсу

  • Авторська система освітніх курсів
  • Унікальна команда тренерів
  • Турбота й індивідуальний підхід
  • Офіційний сертифікат
  • Навчання в будь-який час і з будь-якого місця
  • Комфортний освітній процес. Заняття проходять у мінігрупах
  • Засновник - перша в Україні дистанційна школа "Оптіма"
  • Корисні та потрібні знання. Максимум практики в кожному занятті

Викладачі курсу

Писарчук Олексій - Доктор технічних наук, професор у галузі IT-технологій

Більше інформації
Курс
Формат
Online
Початок навчання
01.06.2024
Тривалість
3 місяців
Рівень
Для досвідчених
Мова навчання
Ukrainian
Вартість
36 000 UAH за курс
Вечірні заняттяВидається диплом/сертифікатСупровід ментора
Projector
  • Data Science / Machine learning / AI
Подробиці

Практичний курс з алгоритміки для програмістів, який дасть основу початківцям і допоможе заповнити прогалини тим, хто вже у клубі.

Програма курсу

Аналіз алгоритмів

Оцінка часу роботи та витраченої пам'яті

Низькорівневі оптимізації

Робота з процесором і кешем. Побітові операції. Branch predictor

Задача пошуку

Інваріант. Sentinel. Бінарний пошук по відповіді

Задача сортування

Окрім класичних алгоритмів, розглянемо кореневу ідею, сортування великих даних і техніку замітаючої прямої

Купа

Напишемо простий event-loop. Порядкова статистика

Лінійні структури даних

Динамічний масив. Список. Стек. Черга

Жадібні алгоритми

Cache eviction. Huffman coding. Interval scheduling

Рекурсія

Зрозуміємо, як працює regex matching та перебір комбінаторних об'єктів у Пайтон/C++. Навчимося використовувати хвостову рекурсію

Хеш-таблиці

Колізії та методи їх вирішення. Фільтр Блума. Алгоритм Рабіна Карпа

Динамічне програмування

Text justification. Diff utility. Spelling correction. Blackjack

Графи

Зберігання графів. Пошук вглибину та ширину. Знаходження найкоротших шляхів

Дерева

Серіалізація та десеріалізація. Бінарні дерева пошуку та їхні різновиди

Особливості курсу

  • Живі заняття у форматі вебінарів в понеділок та четвер о 19:30
  • Real-life завдання
  • Регулярний фідбек
  • Сертифікат за здобутки
  • Можна повернути кошти протягом 7 днів від початку курсу

Викладачі курсу

Іван Петрушенко - Tech Lead в SQUAD

Більше інформації
Курс
Формат
Online
Початок навчання
Будь-який момент
Тривалість
10 занять
Рівень
Для досвідчених
Мова навчання
Ukrainian
Вартість
7 700 UAH за курс
Гнучкий графікВидається диплом/сертифікатСупровід ментора
IT-Столиця
  • Python
  • Data Science / Machine learning / AI
Подробиці

Цей курс розрахований на спеціалістів, які мають досвід роботи з подібними технологіями, і хочуть вивчити сучасні методи машинного навчання з використанням технології BigData. Ці методи використовуються під час пошуку прихованих закономірностей, аналізу даних при вирішенні задач прогнозування та класифікації.

Програма курсу

Модуль 1

  • Знайомство з машинним навчанням і Data Science
  • Задачі машинного навчання і науки про дані
  • Аналіз даних за допомогою Python
  • Машинне навчання і його типи
  • Модель машинного навчання і його компоненти
  • Поняття машинного навчання і його цінність

Модуль 2

  • Мова програмування Python і її основи
  • Інтерпретація і запуск програм
  • Особливості мови
  • Типізація і структура даних
  • Розгалуження і цикли операторів контролю виконання

Модуль 3

  • Функціональне програмування
  • Суть, генерація, ітерація
  • Для чого потрібен Python. Інструментарій і функції

Модуль 4

  • Об'єктно-орієнтований підхід до програмування в Python
  • Простір імен і сфера їх використання
  • Робота з системою імпорту, пакетами і модулями

Модуль 5

  • Аналіз даних, їх дослідження та підготовка
  • Програмні бібліотеки: Pandas, NumPy, SciPy, Matplotlib, Seaborn

Модуль 6

  • Підготовка даних до аналізу: основні проблеми
  • Факторні змінні і їх зміни
  • Як боротися з проблемами в даних
  • Інформативні змінні
  • Мультиколлінеарність
  • Скаляція даних

Модуль 7

  • Основні регресійні моделі
  • Види регресії
  • Оцінка якості регресії
  • Регресивні моделі та їх апгрейд

Модуль 8

  • Класифікація
  • Логістична регресія: що це таке
  • Регресивний аналіз і його методи
  • Наївний Байесовський класифікатор
  • Функція оцінки якості класифікації

Модуль 9

  • Основні моделі зниження розмірності й кластеризації
  • Метод кластерного аналізу
  • Алгоритм DBSCAN
  • Аналіз співпадінь

Модуль 10

  • Ансамблі й дерева рішень
  • Основні деревоподібні моделі
  • Алгоритм машинного навчання Random forest
  • Алгоритм Lighthbm і XGBOOST
  • Ансамблеві моделі й зміни гіперпараметрів у них

Модуль 11

  • Покращення якості машинного навчання
  • Аугментація даних
  • Конструювання ознак
  • Перехресна перевірка
  • Як боротися з дисбалансом даних і перенавчанням

Модуль 12

  • Нейронні мережі
  • Нейромережева бібліотека Keras
  • Бібліотека TensorFlow
  • Рекурентна нейронна мережа і генеративно-змагальна мережа

Модуль 13

  • Робота з Big Data
  • Джерело даних
  • Пакет pySpark - інструмент для миттєвих кластерних обчислень

Модуль 14

  • Покращуємо якість моделей
  • Курсовий проєкт і його обговорення
  • Підсумки курсу

Результат після проходження курсу

Після закінчення курсу ви зможете будувати системи машинного навчання на основі великого обсягу даних. Для цього в навчальну програму входить і фреймворк Spark.

Особливості курсу

  • Викладачі практики
  • Корпоративне навчання
  • Можливість навчатись у вихідні
  • Можливість влаштуватись у провідні IT-компанії
  • Індивідуальне навчання

Викладачі курсу

  • Володимир - Програміст
  • Ігор - Програміст
  • Володимир - Програміст
  • Олексій - Програміст
Більше інформації
Курс
Формат
Online
Початок навчання
01.05.2024
Тривалість
3 місяців
Рівень
Для початківців, Для досвідчених
Мова навчання
Ukrainian
Вартість
22 500 UAH за курс
Вечірні заняттяВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Projector
  • Data Science / Machine learning / AI
  • Product Manager / Product Owner
Подробиці

Програма курсу

Вступ до продуктової аналітики

  • Аналіз даних та їхня роль у проєкті
  • Інструменти та методологія для аналізу даних

Продукт

  • Бізнес модель продукту
  • Ключові метрики та показники
  • Юніт економіка та її складники
  • Воронка користувача

Концепції даних

  • Типи даних
  • Dimension and Measure (розмірність та міра)
  • Введення в бази даних
  • Процес ETL

SQL

  • Основний синтаксис та концепції SQL
  • Написання простих запитів
  • Групування та агрегація даних
  • Об'єднання таблиць
  • Віконні функції

Google Sheets для роботи з малими таблицями

  • Основи роботи з Google Sheets
  • Використання Google Sheets для візуалізації
  • Найкращі практики

Статистика

  • Поняття та розподіл величини
  • Середні значення
  • Статистики розподілу
  • Кореляція та коваріація

Перевірка гіпотез

  • Концепція A/B тесту
  • Оцінка результатів A/B тесту
  • Чинники, що впливають на результати
  • Найкращі практики

Візуалізація

  • Типи графіків та діаграм
  • Найкращі практики та підходи до візуалізації

Підготовка до інтерв'ю

  • Загальні запитання під час інтерв'ю
  • Рекомендації

Аналітичні звіти

  • Основи написання технічних звітів
  • Подвійна перевірка результатів
  • Перевірка джерел
  • Формування висновків
  • Презентація результатів

Після навчання студенти вмітимуть:

  • формулювати й аналізувати гіпотези
  • готувати й інтерпретувати A/B тести
  • будувати воронку користувача та працювати з продуктовими метриками компанії
  • інтерпретувати дані та писати аналітичні звіти
  • користуватися інструментами для data science та програмами для роботи з базами даних

Особливості курсу

  • Живі заняття
  • Real-life завдання
  • Курсовий проєкт
  • Регулярний фідбек
  • Сертифікат за здобутки

Викладачі курсу

Дмитро Іщенко - Senior Data Scientist at Snap Inc.

Більше інформації
Курс
Формат
Online
Початок навчання
Дата формується
Тривалість
2 місяців
Рівень
Для досвідчених
Мова навчання
Ukrainian, English
Вартість
уточнюйте
Вечірні заняттяВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Beetroot Academy
  • Python
  • Data Science / Machine learning / AI
Подробиці

Після завершення навчання ти розумітимеш основи машинного навчання, зможеш впроваджувати його алгоритми за допомогою Python-біблітек, а ще будувати й тренувати нейронні мережі для розв’язання реальних задач. Твоїм фінальним проєктом стане розгортання моделі машинного навчання для системи чи ідеї, яку обереш.

Програма курсу

Модуль 1. Основи машинного навчання

  • Вступний урок. Знайомство з машинним навчанням і середовищем програмування
  • Логістична регресія
  • Лінійна регресія з декількома змінними
  • Логістична регресія для двійкової класифікації
  • Регуляризація та її різновиди
  • Класифікація з декількома класами

Модуль 2. Класичні методи і нейронні мережі

  • Деревовидні алгоритми з бібліотеками scikit-learn та xgboost
  • Вступ до некерованого навчання:
    • кластеризація
    • виявлення аномалій
    • зменшення розмірності
  • Рекомендаційні системи на Python
  • Основи нейронних мереж

Модуль 3. Глибинні нейронні мережі

  • Python-бібліотеки TensorFlow i Keras python libraries. Вступ до роботи з Google Colab
  • Згорткові нейронні мережі для розпізнавання зображень
  • Популярні мережі розпізнавання зображень. Застосовуємо фреймворки для виконання трансферного навчання
  • Методи виявлення об'єктів на зображенні та у відеопотоці
  • Вступ до обробки природної мови (NLP) і рекурентних нейронних мереж (RNN)
  • Трансформери для обробки природної мови
  • Огляд ML Ops. Розгортання моделі TensorFlow i Keras за допомогою тензорного потоку і програми Docker
  • Фінальний проєкт і підсумки курсу

Бонус. Генеративний ШІ, просунуті методи та ШІ-етика

  • Основи генеративного ШІ
  • Просунуті методи машинного навчання
  • Етичні проблеми використання ШІ

Вимоги до студентів

  • Досвід програмування, бажано на Python але достатньо й основ будь-якої іншої мови програмування
  • Впевнені зання математики рівня старшої школи адже курс міститиме похідні, матриці та операції з векторами
  • Англійська рівня intermediate або вище для опрацювання матеріалів мовою оригіналу

Особливості курсу

  • Живі заняття з викладачем
  • Кар'єрне консультування з професійним рекрутером
  • Програма створена senior-експертами
  • Затишна спільнота на заняттях
  • Підтримка координатора групи

Викладачі курсу

  • Томас Бенгтссон - Software Developer at Skira
  • Ігор Вустянюк - Data Scientist/Python Developer at Beetroot
Більше інформації
Курс
Формат
Online
Початок навчання
01.11.2024
Тривалість
45 занять
Рівень
Для початківців
Мова навчання
Ukrainian
Вартість
18 000 UAH за курс
Вечірні заняттяВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
CHI IT Academy
  • Data Science / Machine learning / AI
Подробиці

Програма курсу

Модуль 1. Вступ до Машинного навчання

  • Введення в машинне навчання: основні поняття та застосування
  • Види машинного навчання
  • Основні інструменти та бібліотеки для машинного навчання

Модуль 2. Приготування та очищення даних

  • Збір, імпорт, очищення та підготовка даних для аналізу
  • Обробка відсутніх даних та викидів
  • Візуалізація даних для аналізу

Модуль 3. Класифікація та ансамблеві методи

  • Дерева та їх створення
  • Випадковий ліс (Random Forest)
  • Градієнтний бустинг (Gradient Boosting), Адаптивний бустинг (AdaBoost) та власні ансамблі

Модуль 4. Лінійна регресія

  • Лінійна регресія: теорія та застосування
  • Види лінійних моделей
  • Оцінка та валідація моделей

Модуль 5. Кластеризація та аналіз даних

  • Кластеризація даних: методи та застосування
  • Агломеративна та роздільна кластеризація
  • Аналіз головних компонентів (PCA)
  • Відкриті дані та аналіз текстових даних

Модуль 6. Нейронні мережі та глибинне навчання

  • Вступ до нейронних мереж та штучних нейронів
  • Пряме поширення сигналу та зворотне поширення помилок
  • Глибинні нейронні мережі (Deep Neural Networks)
  • Конволюційні нейронні мережі (CNN)
  • Рекурентні нейронні мережі (RNN)

Модуль 7. Асоціативні правила в машинному навчанні

  • Введення до асоціативних правил та їх застосування
  • Алгоритми видобування асоціативних правил
  • Використання асоціативних правил для аналізу даних

Модуль 8. Аналіз та покращення результатів машинного навчання

  • Налаштування набору даних та аналіз помилок навчання
  • Аналіз кривих, що характеризують процес навчання
  • Порівняння результатів з точністю людини
  • Різні розподіли тестового та навчального набору даних

Модуль 9. Додаткові теми в машинному навчанні

  • Навчання з підкріпленням та Q-навчання
  • Аналіз часових рядів та прогнозування
  • Перенавчання та регуляризація

Практичні заняття

Упродовж курсу з ML практика буде невід'ємною частиною навчання. Лектор даватиме завдання та буде на своєму прикладі демонструвати варіанти вирішення. Теми лабораторних робіт, які чекають на тебе:

  • Ознайомлення з інструментами машинного навчання
  • Підготовка даних для аналізу
  • Випадковий ліс (Random Forest)
  • Лінійна регресія та метод найменших квадратів
  • Логістична регресія для класифікації
  • Кластеризація даних та аналіз головних компонентів
  • Глибинні нейронні мережі (Deep Neural Networks)
  • Використання CNN для обробки зображень
  • Рекурентні нейронні мережі (RNN)
  • Використання асоціативних правил для аналізу даних
  • Навчання з підкріпленням та Q-навчання

Заняття з англійської

На цьому занятті ти зможеш протестити свій рівень англійської та покращити розуміння професійних технічних термінів, з якими обов’язково стикнешся під час роботи в ІТ.

Кар'єрна консультація з рекрутером

Навчання - це тільки перший етап на шляху до омріяної роботи. У тебе тепер є практичний досвід використання знань з машинного навчання на практиці. А отже - час складати резюме, доповнювати профіль в Лінкедині та шукати роботу. З цим тобі допоможе заняття з рекрутером.

Вимоги до студентів

  • знати Python на середньому рівні
  • розуміти основи статистики
  • середній рівень знань Numpy SciPy
  • знати основи Matplotlib, Seaborn
  • знати Pandas на середньому рівні

Особливості курсу

  • Лекції в зручний час
  • Практичні заняття
  • Невелика група
  • Заняття з англійської
  • Сертифікат про проходження курсу
  • Можливість контракту з компанією

Викладачі курсу

Ярослав Виклюк - Професор, доктор технічних наук

Більше інформації
Експрес-курс
Формат
Online
Початок навчання
Будь-який момент
Тривалість
5 днів
Рівень
Для досвідчених
Мова навчання
English
Вартість
уточнюйте
Гнучкий графікВидається диплом/сертифікатСупровід ментора
ISSP Training Center
  • Data Science / Machine learning / AI
Подробиці

Цей курс показує, як застосовувати різні підходи та алгоритми для вирішення бізнес-проблем за допомогою Штучного Інтелекту та Машинного Навчання, використовуючи методичну роботу для розробки рішень на основі даних.

Програма курсу

Теми:

  • Вирішення бізнес-проблем за допомогою Штучного Інтелекту та Машинного Навчання
  • Підготовка даних
  • Тренування, оцінка та налаштування моделі машинного навчання
  • Побудова моделей лінійної регресії
  • Побудова моделей прогнозування
  • Побудова моделей класифікації за допомогою логістичної регресії та методу k-найближчого сусіда
  • Побудова моделей кластеризації
  • Побудова дерев рішень та випадкових лісів
  • Побудова моделей машин опорних векторів
  • Побудова штучних нейронних мереж
  • Операціоналізація моделей машинного навчання
  • Забезпечення операцій машинного навчання

Цей курс допоможе:

  • Вирішувати задані бізнес-проблеми за допомогою Штучного Інтелекту та Машинного Навчання
  • Готувати дані для використання в машинному навчанні
  • Тренувати, оцінювати та налаштовувати модель машинного навчання
  • Будувати моделі лінійної регресії
  • Створювати моделі прогнозування
  • Будувати моделі класифікації з використанням логістичної регресії та k-найближчого сусіда
  • Будувати моделі кластеризації
  • Створювати моделі класифікації та регресії за допомогою дерев рішень та випадкових лісів
  • Створювати моделі класифікації та регресії з використанням опорних векторів машин (SVMs)
  • Будувати штучні нейронні мережі для глибокого навчання
  • Вводити моделі машинного навчання в експлуатацію за допомогою автоматизованих процесів
  • Забезпечувати підтримку конвеєрів та моделей машинного навчання під час їхньої роботи в експлуатації

Особливості курсу

  • Офіційні навчальні матеріали від CertNexus в електронному вигляді
  • Ваучер для складання іспиту
  • Доступ до середовища лабораторних робіт
  • Сертифікат про проходження курсу
Більше інформації
Курс
Формат
Online
Початок навчання
31.01.2024
Тривалість
65 годин
Рівень
Для початківців
Мова навчання
Ukrainian
Вартість
22 000 UAH за курс
Вечірні заняттяВидається диплом/сертифікат
Main Academy
  • Data Science / Machine learning / AI
Подробиці

Курс орієнтований на економістів, аналітиків, власників бізнесу, або ж студентів математичних, економічних та комп'ютерних спеціальностей. Навчання теорії проводиться паралельно з практикою. Домашні завдання з написанням алгоритмів, скриптів і т.д., а також навчальний проєкт. Отримані на курсі знання та навички дозволяють працювати за спеціальністю Data Science.

Програма курсу

Базові навички в IPython

  • Робота з IPython
  • Арифметичні операції
  • Базові об'єкти:
    • Послідовності
    • Відображення
    • Інші базові об'єкти
  • Функції в Python
  • Функціональне програмування

Математика для аналізу даних

  • Основні поняття математичного аналізу
  • Вектори і матриці
  • Операції над векторами та матрицями

Збір даних

  • Робота з файлами
  • CSV
  • Робота з базами даних
  • Робота з JSON, XML
  • Використання API

Робота з масивами Numpy

  • Масиви в Numpy
  • Агрегація
  • Операції над масивами
  • Сортування масивів

Підготовка даних з Pandas

  • Об'єкти бібліотеки
  • Індексація
  • Операції з об'єктом
  • Агрегація та об'єднання
  • Зведені таблиці
  • Часові ряди

Основи візуалізації даних

  • Класифікації основних графіків та їх застосування

Візуалізація з Matplotlib

  • Лінійні графіки
  • Графіки розсіювання
  • Гістограми
  • 3D - графіки
  • Відображення географічних даних

Візуалізація за допомогою Tableau/Power BI

  • Порівняння Tableau та Power BI
  • Візуальна аналітика
  • Розробка повноцінного дашборда

Статистичний аналіз та scipy

  • Основні означення
  • Нормальний розподіл
  • Центральна гранична теорема
  • Розподіл Стьюденса
  • Статистика в scipy
  • Перевірка гіпотез

Введення в машинне навчання

  • Навчання з учителем
  • Навчання без учителя
  • Навчання з підкріпленням
  • Налаштування параметрів
  • Оцінка результатів

Лінійні моделі

  • Методологія та застосування моделей
  • Лінійна регресія
  • Множинна регресія
  • Логістична регресія
  • Метод опорних векторів

Ансамблеві моделі

  • Методологія та застосування моделей
  • Дерево прийняття рішень
  • Random forest

Кластеризація

  • Методологія та застосування моделей
  • Метод k-середніх
  • Агломеративний алгоритм
  • DBSCAN

Аналіз соціальних мереж

  • Методологія та застосування алгоритму
  • Рейтинг PageRank

Асоціативні зв'язки

  • Основні поняття
  • Алгоритм Apriory

Основи нейронних мереж

  • Основні поняття
  • Навчання нейронної мережі

Архітектура нейронних мереж

  • Базові поняття
  • Види нейронних мереж
  • Бібліотека Tensorflow
  • Класифікації зображень

Особливості курсу

  • Вечірні заняття (19:00 - 21:30)
  • Велика кількість практичних завдань
  • Постійний фідбек від тренера
  • Навчальний проєкт
  • Сертифікат після успішного закінчення навчання

Викладачі курсу

  • Юлія Литвин - Data Scientist в Delve
  • Ігор Бондарчук - к.т.н., доцент кафедри комп’ютерних наук, завідувач кафедри комп’ютерних наук ТНТУ ім. Івана Пулюя
  • Станіслав Логвіненко - Data Scientist, “ARSENAL INSURANCE” Insurance Company”
  • Марія Мазорчук - Senior Data Scientist, SSA Group
  • Євген Страхов - Data Analyst & Math Consultant at AUTODOC
  • Ігор Бетлей - Data analyst в ТОВ “Агросем” та data scientist PM Partners
  • Євгеній Чигринець - Data scientist в ClickLoop
Більше інформації
Курс
Формат
Online
Початок навчання
01.05.2024
Тривалість
3 місяців
Рівень
Для досвідчених
Мова навчання
Ukrainian, English
Вартість
30 000 UAH за курс
Вечірні заняттяВидається диплом/сертифікатСупровід ментораРеальний проект у портфоліо
Projector
  • Data Science / Machine learning / AI
Подробиці

Класичний вступний курс із сучасного Machine Learning з акцентом на практику.

Програма курсу

Data Science

  • Intro - AI vs ML
  • Exploratory data analysis: Pandas and NumPy
  • Visual data analysis

Classic Machine Learning

  • Linear/polynomial regression
  • Logistic regression
  • NLP features
  • Evaluating models. Validation. Metrics
  • Time series analysis
  • Decision trees
  • Random forest / bagging
  • Boosting - XGBoost, LightGBM, CatBoost
  • Unsupervised learning
  • Feature engineering
  • Feature importance

Intro to Deep Learning

  • Basic neural networks
  • Into to PyTorch
  • DL in NLP
  • DL in CV

Особливості курсу

  • Вебінари щосереди о 19:30 та щосуботи об 11:00
  • Real-life завдання
  • Курсовий проєкт
  • Регулярний фідбек
  • Сертифікат за здобутки
  • Можна повернути кошти протягом 7 днів від початку курсу

Викладачі курсу

  • Євген Терпіль - Hear of Data Science Squad в YouScan
  • Віталій Радченко - Data Scientist в Scorum AI
  • Юлія Гончаренко - CV Lead в YouScan
Більше інформації
Курс
Формат
Online
Початок навчання
14.02.2024
Тривалість
21 занять
Рівень
Для досвідчених
Мова навчання
Ukrainian
Вартість
16 900 UAH за курс
Вечірні заняттяВидається диплом/сертифікат
Sigma Software University
  • Data Science / Machine learning / AI
Подробиці

Курс спрямований на фахівців, які хочуть отримати компетенції для посад Data Scientist, Data Engineer, Data Analyst та Machine Learning Engineer. Курс охоплює теоретичну базу ключових областей Data Science, їх практичне втілення в програмному коді та включає практичні заняття у форматі Workshop.

Програма курсу

Методологічні та технологічні основи data science

  • Методи та технології статистичного навчання (Statistical Learning)
    • Вступ до статистичного навчання
    • Підготовка даних для статистичного навчання
      • Домашнє завдання 1. Підготовка та аналіз даних
    • Навчання регресійної моделі за Big Data масивом
      • Домашнє завдання 2. Поліноміальна регресія
    • Фільтрація Калмана (Kalman filter)
      • Домашнє завдання 3: Рекурентне згладжування
    • Нелінійне згладжування – R&D результати
    • Workshop 1. Регресія
      • Домашнє завдання 4: Регресія
  • Технологій підтримки прийняття рішень (для Decision Support System (DSS))
    • Теорія і практика підтримки прийняття рішень
    • Багатокритеріальні методи прийняття рішень – R&D результати
      • Домашнє завдання 5: Макет ERP системи багатокритеріального прийняття рішень
  • Інтелектуальний аналіз даних (Data Intelligence)
    • Методичні основи та технології інтелектуального аналізу даних
      • Домашнє завдання 6: Реалізація процесів інтелектуального аналізу даних міні-проєкти в галузі OLAP, Data Mining, Text Mining
  • Машинне навчання (Machine Learning (ML))
    • Методи та технології класифікації та ідентифікації
    • Workshop 2. Класифікація
      • Домашнє завдання 7: Реалізація методів класифікації
    • Методи та технології кластеризації
    • Workshop 3. Кластеризація, виявлення аномалій
      • Домашнє завдання 8: Реалізація методів кластеризації
  • Технології штучних нейронних мереж (Artificial Intelligence (AI).
    • Основи штучних нейронних мереж
    • Основні типи та технології штучних нейронних мереж
    • Workshop 4. Штучний інтелект
      • Домашнє завдання 9: Реалізація штучних нейронних мереж

Прикладні аспекти технологій data science

  • Алгоритми та технології прогнозування динаміки зміни показників ефективності торгівельних компаній
    • Домашнє завдання 10: Розробка програмного модуля прогнозування динаміки зміни показників ефективності торгівельних компаній (міні-проєкти в галузі аналізу даних для завдань електронної комерції)
  • Алгоритми та технології визначення кредитних ризиків для банківських CRM систем
    • Методологічні основи SCORING – аналізу
    • Практика SCORING – аналізу
      • Домашнє завдання 11: Макет CRM системи SCORING – аналізу (міні-проєкти в банківській сфері аналізу даних)
  • Обробка геопросторової інформації (для Geographic Information System (GIS))
    • Основи геоінформаційних технологій
    • Практика аналізу геопросторової інформації
      • Домашнє завдання 12: Макет GIS системи

Вимоги для проходження курсу

  • Базові знання з програмування: принципи програмування, алгоритмізація та базові алгоритми
  • Базові знання Python: синтаксис; типи та структури даних; базові оператори розгалужених обчислень; функціональне та ООП програмування; робота з IDE, створення оточення
  • Базові знання з математики: елементи теорія ймовірностей; дискретна математика; теорія матриць; дослідження функцій; аналітична геометрія; тригонометрія

Особливості курсу

  • Передові авторські розробки
  • Безліч практичних кейсів
  • Доступ до всіх матеріалів курсу протягом 6 місяців після завершення
  • Створення моделей, які можна використати для портфоліо
  • 4 воркшопи
Більше інформації

Сторінки

Читайте нас в Telegram, щоб не пропустити анонси нових курсів.