БАЗА
На этом этапе вы изучите основы программирования на Python, научитесь предобрабатывать и анализировать данные, а также познакомитесь с основными задачами дата-сайентиста.
Введение
Вы сможете сформулировать для себя реальные цели обучения, узнаете, в чем ценность DS для бизнеса, познакомитесь с основными задачами дата-сайентиста и разберетесь, как строится разработка любого DS-проекта.
INTRO-1. Как учиться эффективно — онбординг в обучение
INTRO-2. Обзор профессии. Типы задач в Data Science. Этапы и подходы к разработке Data Science проекта
Проектирование разработки
Вы научитесь работать с основными типами данных с помощью языка Python и сможете применять в повседневной работе циклические конструкции, условные операторы и функции.
PYTHON-1. Основы Python
PYTHON-2. Погружение в типы данных
PYTHON-3. Условные операторы
PYTHON-4. Циклы
PYTHON-5. Функции и функциональное программирование
PYTHON-6. Практика
PYTHON-7. Гид по стилю в среде Python (бонусный)
Работа с данными
На этом этапе вы овладеете базовыми навыками работы с данными: научитесь подготавливать, очищать и преобразовывать данные так, чтобы они были пригодны для анализа. Кстати, об анализе: вы будете анализировать данные с помощью популярных библиотек Matplotlib, Seaborn, Plotly.
PYTHON-8. Инструменты Data Science
PYTHON-9. Библиотека NumPy
PYTHON-10. Введение в Pandas
PYTHON-11. Базовые приемы работы с данными в Pandas
PYTHON-12. Продвинутые приемы работы с данными в Pandas
PYTHON-13. Очистка данных
PYTHON-14. Визуализация данных
PYTHON-15. Принципы ООП в Python и отладка кода (дополнительный модуль)
Проект 1. Аналитика датасета по закрытым вопросам
Подгрузка данных
Вы сможете выгружать данные из разных форматов и источников. А поможет вам в этом SQL — язык структурированных запросов. Вы научитесь использовать агрегатные функции, соединения таблиц и сложные объединения.
PYTHON-16. Как выгружать данные из файлов разных форматов
PYTHON-17. Получение данных из веб-источников и API
SQL-0. Привет, SQL!
SQL-1. Основы SQL
SQL-2. Агрегатные функции
SQL-3. Соединение таблиц
SQL-4. Сложные объединения
Проект 2. Подгрузка новых данных. Уточнение анализа
Статистический анализ данных
Разведывательный анализ данных (EDA) — вот, что окажется в центре вашего внимания. Вы познакомитесь со всеми этапами такого анализа и научитесь проводить его с помощью библиотек Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Кроме того, вам удастся поработать на Kaggle, популярном сервисе по участию в соревнованиях.
EDA-1. Введение в разведывательный анализ данных. Алгоритмы и методы EDA
EDA-2. Математическая статистика в контексте EDA. Типы признаков
EDA-3. Проектирование признаков (Feature Engineering)
EDA-4. Статистический анализ данных на Питоне
EDA-5. Статистический анализ данных на Питоне. Часть 2
EDA-6. Проектирование экспериментов
EDA-7. Площадка Kaggle
Проект 2
Введение в машинное обучение
Вы познакомитесь с ML-библиотеками для моделирования зависимостей в данных. Вы сможете обучить основные виды ML-моделей, провести валидацию, интерпретировать результаты работы и выбрать важные признаки (feature importance).
ML-1. Теория машинного обучения
ML-2. Обучение с учителем: регрессия
ML-3. Обучение с учителем: классификация
ML-4. Обучение без учителя: кластеризация и техники снижения размерности
ML-5. Валидация данных и оценка модели
ML-6. Отбор и селекция признаков
ML-7. Оптимизация гиперпараметров модели
ML-8. ML Cookbook
Проект 3. Задача классификации
ОСНОВНОЙ БЛОК
Линейная алгебра, математический анализ, дискретная математика — звучит страшно, но не пугайтесь: разберем все эти предметы и научим с ними работать! На втором этапе вы погрузитесь в математику и основы машинного обучения, узнаете больше о профессиях DS, а также благодаря профориентации выберете трек обучения второго года.
Математика и машинное обучение. Часть 1
Вы сможете решать практические задачи с помощью ручного счета и Python (векторные и матричные вычисления, работа с множествами, исследование функций с помощью дифференциального анализа).
MATH&ML-1. Линейная алгебра в контексте Линейных методов. Часть 1
MATH&ML-2. Линейная алгебра в контексте Линейных методов. Часть 2
MATH&ML-3. Математический анализ в контексте задачи оптимизации. Часть 1
MATH&ML-4. Математический анализ в контексте задачи оптимизации. Часть 2
MATH&ML-5. Математический анализ в контексте задачи оптимизации. Часть 3
Проект 4. Задача регрессии
Математика и машинное обучение. Часть 2
Вы познакомитесь с основными понятиями теории вероятности и математической статистики, алгоритмами кластеризации, а также научитесь оценивать качество произведенной кластеризации и представлять результаты в графическом виде.
MATH&ML-6. Теория вероятностей в контексте наивного байесовского классификатора
MATH&ML-7. Алгоритмы на основе деревьев решений
MATH&ML-8. Бустинг & Стекинг
MATH&ML-9. Кластеризация и техники снижения размерности. Часть 1
MATH&ML-10. Кластеризация и техники снижения размерности. Часть 2
Проект 5. Ансамблевые методы
ML в бизнесе
Вы научитесь использовать ML-библиотеки для решения задачи временных рядов и рекомендательных систем. Вы сможете обучить ML-модель и провести ее валидацию, а также создать работающий прототип и запустить модель в веб-интерфейсе. А еще получите навыки A/B-тестирования, чтобы можно было оценить модель.
MATH&ML-11. Временные ряды. Часть 1
MATH&ML-12. Временные ряды. Часть 2
MATH&ML-13. Рекомендательные системы. Часть 1
MATH&ML-14. Рекомендательные системы. Часть 2
PROD-1. Подготовка модели к Production
PROD-2. Прототип Streamlit+Heroku
PROD-3. Бизнес-понимание. Кейс
Проект 6. Тема на выбор: временные ряды или рекомендательные системы
УРОВЕНЬ PRO
На третьем этапе вы познакомитесь с одним из методов машинного обучения — глубоким обучением (DL). А также вас ждет полноценный блок выбранной специализации: вы можете освоить навыки машинного обучения (ML), познакомиться с рутиной CV (компьютерного зрения).
Профориентация
ML или CV: на этом этапе вам наконец предстоит сделать выбор, по какому пути двигаться дальше. Мы расскажем о каждой специализации и предложим решить несколько практических задач, чтобы вам было проще определиться.
Трек ML Engineer
В ML-треке вы научитесь решать углубленные задачи машинного обучения, овладеете компетенциями дата-инженера, отточите навык работы с библиотеками Python. Также вы научитесь создавать MVP (минимально жизнеспособную версию продукта), узнаете все тонкости вывода ML-модели в продакшн и узнаете, как работают ML-инженеры в реальной жизни.
Введение в Deep Learning
Основы Data Engineering
Дополнительные главы Python и ML
Экономическая оценка эффектов и разработка MVP
ML в Production
Углубленное изучение ML-разработки и выпускной проект по выбранной теме
Трек CV Engineer
На CV-треке вы научитесь решать такие задачи компьютерного зрения, как классификация изображений, сегментация и детекция, генерация и стилизация картинок, восстановление и повышение качества фотографий. Кроме того, вы узнаете, как выкатывать нейронные сети в продакшн.
Введение в Deep Learning
Основы Data Engineering
Дополнительные главы Python и ML
Экономическая оценка эффектов и разработка MVP
ML в Production
Углубленное изучение ML-разработки и выпускной проект по выбранной теме
Deep Learning и нейронные сети
Где применяются нейросети? Как обучить нейронную сеть? Что такое Deep Learning? Ответы на эти вопросы вы узнаете в бонусном разделе DL.
Введение в Data Engineering
Вы узнаете, в чем различие ролей дата-сайентиста и дата-инженера, какими инструментами пользуется последний в своей работе, какие задачи ежедневно решает. Слова «снежинка», «звезда» и «озеро» обретут новые значения :)
