Курси Data Science та Machine learning

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

Цей курс дозволить учасникам підвищити цінність бізнесу, застосувавши концепції науки про дані на практиці. Програма включає практичні вправи до кожної теми.

Програма курсу

Теми:

• Вирішення бізнес-проблем за допомогою Data Science
• Вилучення, перетворення та завантаження даних
• Аналіз даних
• Розробка підходу до машинного навчання
• Розробка моделей класифікації
• Розробка моделей регресії
• Розробка моделей кластеризації
• Фіналізування проєкту по Data Science

Даний курс розвиває навички:

• Використання принципів науки про дані для вирішення бізнес-проблем
• Застосування процесу вилучення, перетворення та завантаження (ETL) для підготовки наборів даних
• Використання різних технік для аналізу даних та отримання цінних результатів
• Розробку підходу до машинного навчання для вирішення бізнес-проблем
• Навчання, налаштування та оцінку моделей класифікації
• Навчання, налаштування та оцінку моделей регресії та прогнозування
• Навчання, налаштування та оцінку моделі кластеризації
• Фіналізувати проєкт по науці про дані, представивши моделі аудиторії, впроваджуючи їх в експлуатацію та відстежуючи їхню ефективність

Особливості курсу

• Офіційні навчальні матеріали в електронному вигляді
• Ваучер для складання іспиту
• Доступ до середовища лабораторних робіт
• Сертифікат про проходження курсу

Навчальний курс має на меті надати комплексний теоретичний базис і потужні практичні навички програмної реалізації методів, математичних моделей і алгоритмів технологічних процесів аналізу часових рядів (Time Series).

Програма курсу

Теми:

• Знайомство з часовими рядами (Getting known with Time Series)
• Декомпозиція часових рядів (Time series Decomposition)
• Властивості часових рядів (Time series features)
• Прогнозування часових рядів (Time series forecasting)
• Експертне прогнозування (Judgmental forecasts)
• Регресійні моделі (Time series regression models)
• Експоненційне згладжування (Exponential smoothing)
• ARIMA моделі (ARIMA models)
• Динамічні регресійні моделі (Dynamic regression models)
• Прогнозування ієрархічних та згрупованих часових рядів (Forecasting hierarchical and grouped time series)
• Поглиблені моделі прогнозування (Advanced forecasting methods)
• Деякі прикладні проблеми прогнозування (Some practical forecasting issues)
• Виявлення аномалій в часових рядах (Some practical forecasting issues)
• Подібність часових рядів (Time Series Similarity)

Після завершення курсу Аналізу часових рядів і прогнозування ти матимеш:

• Глибокі знання та навички у дослідженні часових рядів
• Вміння ефективно декомпозувати часові ряди для аналізу
• Навички у побудові моделей та прогнозуванні часових рядів
• Навички використання передових методів, таких як нейромережі та динамічні регресійні моделі, для аналізу та прогнозування
• Здатність виявляти та очищувати часові ряди від аномалій

Вимоги до учасників 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 Colab чи Jupiter Notebook
• Базові знання з математики:
  • елементи теорія ймовірностей
  • дискретна математика
  • теорія матриць
  • дослідження функцій
  • аналітична геометрія
  • тригонометрія
• Бажано мати базові знання з Data Science

Особливості курсу

• Тривалість - 14 занять
• Курс українською мовою з використанням англійських термінів
• Доступ до записів занять на 6 місяців після курсу

Викладачі курсу

Андрій Салата - Principal Software Developer at Sigma Software

На цьому курсі ви здобудете знання та навички, необхідні для початку кар'єри в сфері Data Science. Ми ознайомимо вас з основними поняттями та інструментами цієї галузі, навчимо вас обробці та аналізу даних, статистичним методам, машинному навчанню та штучному інтелекту.

Програма курсу

Теми:

• Основи Data Science
• Встановлення середовища для роботи з Python та Jupyter Notebook
• Основи Python для Data Science: змінні, списки, умовні оператори
• Робота з даними в Python
• Робота з бібліотекою Pandas: завантаження, очищення та обробка даних
• Машинне навчання: Передбачення
• Машинне навчання: Кластеризація та зменшення вимірностей
• Кластеризація даних
• Практичні завдання: кластеризація даних та зменшення вимірностей
• Вивчення нейронних мереж та глибокого навчання
• Проєкти та застосування Data Science

Топ причин освоїти професію

• Запит на ринку праці: Data Science - це одна з найшвидше зростаючих галузей. Попит на спеціалістів у цій області постійно зростає, оскільки багато компаній усвідомлюють важливість аналізу даних для прийняття рішень
• Висока заробітна плата: Data Scientists часто отримують високу заробітну плату, оскільки їхні навички є дефіцитними на ринку. Це дозволяє отримувати привабливий дохід
• Можливість впливати на рішення компанії: Data Scientists допомагають компаніям приймати обгрунтовані рішення на основі аналізу даних. Їх робота може суттєво покращити продуктивність та прибутковість бізнесу
• Різноманітність завдань: Робота Data Scientist включає в себе різноманітні завдання, від збору та обробки даних до розробки моделей машинного навчання та візуалізації результатів. Це робить роботу цікавою та різноманітною
• Можливість вдосконалення навичок: Data Science постійно розвивається, і це надає спеціалістам можливість навчатися новим технологіям і методам. Ви завжди будете вдосконалювати свої навички та розширювати свої знання

Особливості курсу

• Модуль з лекцією
• Живі лекції
• Фідбек від викладача
• Чат групи
• Домашні завдання
• Сертифікат про проходження курсу

Викладачі курсу

Сергій Матюшенко - DevOps Practitioners at Corva AI