Курс Data Science

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
• Технології 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

Викладачі курсу

• Олексій Писарчук - Data Science тренер у Sigma Software University
• Андрій Салата - Principal Software Developer at Sigma Software