Курс Data Scientist

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

Програма курсу

Введення в Data Science

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

Введення в Python: синтаксис, змінні, операції

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

Введення в Python: типи даних, колекції, умовні конструкції

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

Введення в Python: цикли, модулі, бібліотеки

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

Підсумкове заняття з теми Python

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

Лінійна алгебра для Data Science: вектори

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

Лінійна алгебра для Data Science: матриці

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

Підсумкове заняття з лінійної алгебри

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

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

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

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

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

Теорія ймовірності й математична статистика: статистика та гіпотези

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

Підсумкове заняття. A/B-тестування

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

Основи баз даних та SQL

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

Розширений Python для Data Science: робота з pandas

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

Попереднє очищення даних

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

Описовий аналіз даних (Exploratory Data Analysis)

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

Візуалізація за допомогою Matplotlib та Seaborn

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

Побудова дашбордів за допомогою Power BI

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

Підсумкове заняття з Exploratory Data Analysis

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

Основні поняття машинного навчання

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

Лінійна регресія

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

Логістична регресія

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

Дерева рішень

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

Методи ансамблювання - Bagging

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

Методи ансамблювання - Boosting

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

Основи часових рядів: компоненти, типи, проблеми

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

Основи часових рядів: автокореляція, стаціонарність, прогнозування

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

Основи Explainable AI

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

Задача кластеризації: метрики відстані, метод k-means

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

Задача кластеризації: DBSCAN, ієрархічна кластеризація

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

Підсумкове заняття з Machine Learning

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

Введення до нейромереж

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

Сучасні архітектури нейромереж

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

Основи LLM

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

Інструменти для роботи з LLM: LangChain та RAG

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

Введення в Agentic AI

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

VSCode і структура Python-проєкту для Data Science

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

Основи MLOps: загальний огляд деплойменту моделей з Docker та FastAPI

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

Особливості курсу

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

Викладачі курсу

Василь Лавер - Senior Data Scientist at Dell Technologies