Курс Data Scientist

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