Обучение

Новости

О центре

Трудоустройство

Консультация

Консультируем с 8:30 до 19:00Выходной: суббота и воскресенье

ул. Скрыганова, 14, 5 этаж M Молодежная

Написать сообщение

Все контакты

Сообщение об ошибке

Основы Data Science

Профессиональный курс

Курс по Data Science в Минске направлен на приобретение знаний, навыков и умений по извлечению, структурированию и использованию полезной информации из неструктурированных, а также разрозненных источников. Он охватывает основные современные средства Data Mining, Machine Learning и Big Data. Использование указанных технологий дает неоспоримое преимущество не только организациям на рынке товаров и услуг, но и людям на рынке труда.

Технические требования к оборудованию слушателей дистанционных курсов.

Описание курса

Формы обучения

Группа	Вечерняя / Дистанционная, Минск
Стоимость	2499 BYN
Рассрочка	шесть выплат 459 BYN/ месяц При подаче заявки укажите, хотите ли Вы посещать занятия в аудитории или подключаться дистанционно
Старт	Начало занятий по мере набора группы
Длительность	216 уч.ч (шесть месяцев)
Описание	Офлайн или онлайн занятия по расписанию: два раза в неделю с 18.30 до 21.20 Подходящий формат Вы выбираете сами!
Осталось мест	В группе конкурс. Условия по телефону +375 (44) 570-22-22
	№ группы: Mk-DS1-07-21

Условия отбора

Зачисление на курс производится на конкурсной основе по результатам:

теста по английскому языку;
решения задач на языке программирования Python;
устного собеседования с преподавателем на знание основ математики.

Для кого этот курс

для разработчиков, желающих расширить свои компетенции;
для студентов старших курсов и выпускников технических ВУЗов, которые хотят повысить свои шансы на трудоустройство;
для аспирантов и соискателей научных степеней, желающих приобрести навыки решения научных и исследовательских задач с использованием современных информационных технологий;
для специалистов, желающих повысить свою компетенцию в области Data Mining, Big Data и Data Science.

Необходимая подготовка

базовые знания и умения программирования на языке Python или других объектно-ориентированных языках;
базовые знания математики: пределы, дифференциальное и интегральное исчисление.

Для чего этот курс

Курс предназначен для:

приобретения знаний в областях Data Mining, Big Data и Data Science;
формирования устойчивых навыков и умений по постановке и решению аналитических и исследовательских задач с использованием математической статистики и современных информационных технологий, а также разработки информационных рекомендательных систем.

Вы будете уметь

осуществлять сбор, обобщение и очистку исходных информационных данных;
находить аналитические зависимости в структурированных и неструктурированных данных;
осуществлять постановку и решение задач математического программирования и исследования операций;
знать и уметь применять основные алгоритмы машинного обучения и математического программирования;
знать, как работает Machine Learning;
уметь пользоваться основными инструментами Data Mining, Big Data и Data Science;
знать основные типы и архитектуру нейронных сетей;
реализовывать, внедрять и обучать Machine Learning модели;
решать задачи Computer Vision, Natural Language Toolkit, а также прогнозирования временных рядов;
знать концепции Map Reduce и CUDA;
знать принципы функционирования высоконагруженных систем;
разрабатывать рекомендательные системы.

Внимание:

Доступ к электронным материалам открыт в период прохождения курса. По окончании курса доступ закрывается.

Программа курса

Введение в Data Science
Объект Data Science.
Взаимосвязь Data Mining, Big Data и Data Science.
Инструментарий Data Science.
Основные способы получения данных.
Базовый эксплоративный анализ и визуализация данных.
Математические основы Data Science
Основы матричного исчисления.
Реализация матричных операций в Python.
Основы теории вероятности и математической статистики.
Проверка статистических гипотез в Python.
Основы математического программирования и исследования операций.
Классификация алгоритмов математического программирования.
Визуализация данных в Python.
Основы Data Science и Machine Learning
Принципы построения моделей в Data Science.
Метрики качества моделей. Проверка качества модели.
Введение в Deep Learning и Machine learning.
Объект Deep Learnig и Machine Learning. Классы решаемых задач.
Большие данные и параллельные вычисления.
Подходы к построению высоконагруженных систем.
Обобщение и сбор данных для обучения их очистка и нормализация.
Обзор и классификация алгоритмов ML.
Основные алгоритмы Machine Learning
Алгоритмы «Дерево решений», «Случайный лес», «K-ближайших соседей», «Градиентный бустинг».
Кластеризация и поиск ассоциаций.
Линейная и логистическая регрессия. Ограничения, преимущества и недостатки.
Обучение с учителем.
Обучение классификатора на размеченных данных.
Проверка качества модели: переобучение, регуляризация, обучающая и тестовая выборки.
Борьба с переобучением: ансамблирование. Обзор методов ансамблирования.
Реализация алгоритмов в Python.
Методы предобработки данных
Снижение размерности, разреженные данные, многомерные пространства.
Коррелирующие параметры.
Нерациональное использование памяти, сложность моделей.
Статистический анализ данных, выбор параметров на основе корреляции.
Снижение размерности данных: поиск подмножеств, регуляризация, уменьшение пространства.
Векторное разложение.
Методы декомпозиции.
Спрямляющие пространства.
Рекомендательные системы
Введение в рекомендательные системы.
Различие между предсказаниями и рекомендациями.
Типы рекомендательных систем.
Постановка целей.
Неперсонализированные рекомендации.
Способы построения рекомендательных систем.
Цепи Маркова.
Групповые рекомендации.
Распознавание изображений, машинное зрение
Теоретические основы обработки изображений.
Форматы данных (RGB, CMYK, B&W), принципы и алгоритмы сжатия изображений, примеры чтения и конвертации изображений.
Выделение признаков изображений.
Задача поиска изображения по шаблону, представление свойств изображения с помощью гистограмм.
Поиск похожих картинок по контенту.
Сегментация изображений, детекция объектов.
Детектор лиц на изображении.
Введение в нейронные сети
Основные элементы нейронных сетей.
Классификация архитектур нейронных сетей.
Обучение: функция потерь, обратное распространение ошибки, стохастический градиент.
Регуляризация.
Инициализация весов.
Сверточные нейронные сети.
Практическое применение сверточных рекурентных и генеративно-конкурирующих сетей в задачах Computer Vision.
Распознавание естественного языка
Введение в обработку текста.
Частотный анализ.
Законы Ципфа и Хипса.
Морфологический и синтаксический анализ.
Векторная модель и методы снижения размерности в ней.
Классификация текстов.
Извлечение именованных сущностей.
Языковые модели.
Извлечение информации.
Генерация текстов.
Временные ряды
Временные ряды.
Модели построения прогнозов.
Разложение временного ряда на компоненты.
Автокорреляция и корелограммы.
Стационарность ряда.
Сложные модели прогнозирования.
Прогнозирование временных рядов на цепях Маркова.
Общение с заказчиком. Требования к Data Science проектам
Cпособы выяснения требований, проверка их выполнимости.
Формализация и утверждение требований с заказчиком.
Общий порядок составления отчетов.
Цели, явные и неявные ожидания заказчиков проекта.
Описание зависимостей и способов воздействия на важные для заказчика факторы.
Практический опыт создания хайлоад моделей.
Выбор алгоритмов, библиотек, тонкой настройки моделей.
Подведение итогов
Защита дипломных проектов.

Трудоустройство выпускников

IT-Academy не только обучает, но и помогает слушателям, нацеленным на результат, найти работу. Выпускники курса «Основы Data Science» участвуют в «Программе трудоустройства», с помощью которой можно получить заветную должность практически в любой IT-компании!

Преподаватели курса

Роман Сидоренко

Опыт работы: 8 лет

Специальность:
Data Science

Сфера интересов: С++, Python, MathCard, Mathlab, Wolfram, LPsolve, Statistica, SPSS, R, Computer vision, OpenCv, Apache, Hadoop, Django, Keras, PyAlgoTrade, Machine Learning, Deep Learning, Nltk, NLP, Fasttext, CUDA, Map Reduce ,Cafee, Pytorch, SciPy, NumPy, SkyKit, Theano, Xgboost, libffm.
Узнать больше
Николай Кухальский

Опыт работы: c 2015 года

Специальность:
Data Science

Сфера интересов: Python, MathCad, Mathlab, Wolfram, Statistica, SPSS, Computer vision, OpenCv, Keras, Machine, Learning, Deep Learning, Nltk, NLP, Fasttext, CUDA, Pytorch, SciPy, NumPy, SkyKit, Xgboost, CatBoost.
Узнать больше
Владислав Сташевский

Опыт работы: c 2015 года

Специальность:
Data Science

Сфера интересов: Data Science для бизнес-решений, анализ и прогнозирование временных рядов, оценка рисков финансовых инструментов, стохастическое моделирование процессов для бизнеса и финансового сектора, управление командой разработчиков Data Science подразделения.
Узнать больше

Роман Сидоренко

Специальность:Data Science

Опыт работы:8 лет

Сфера интересов: С++, Python, MathCard, Mathlab, Wolfram, LPsolve, Statistica, SPSS, R, Computer vision, OpenCv, Apache, Hadoop, Django, Keras, PyAlgoTrade, Machine Learning, Deep Learning, Nltk, NLP, Fasttext, CUDA, Map Reduce ,Cafee, Pytorch, SciPy, NumPy, SkyKit, Theano, Xgboost, libffm.

Профессиональный путь: В 2005 закончил году Военную Академию Республики Беларусь по специальности «инженер по радио и спутниковым телекоммуникациям». В 2010 году закончил магистратуру этой же академии с присвоением степени магистра технических наук.

С 2011 года занимаюсь научной и исследовательской работой в Научно-исследовательском институте Вооруженных Сил Республики Беларусь. Профессиональная область: разработка и сопровождение, создания и модернизации технических и организационно-технических систем различного назначения.

В 2016 году назначен начальником научно-исследовательского отдела обеспечения геопространственной информацией государственного учреждения «Научно-исследовательский институт Вооруженных Сил Республики Беларусь».

В 2017 году защитил диссертацию в государственном учреждении «Научно-исследовательский институт Вооруженных Сил Республики Беларусь» с присвоением ученой степени кандидат военных наук.

Мною опубликовано более 20 научных работ, получено 2 патента. В настоящее время присвоено воинское звание подполковник.

Особенности преподавания: Образовательный курс нацелен на приобретение слушателями знаний, умений и навыков, достаточных для самостоятельного улучшения различных процессов, протекающих в бизнес-среде, предприятиях и организациях, с дальнейшей возможностью создания соответствующего enterprise решения или программного продукта.

В современных информационных технологиях повсеместно используются данные об управляющем объекте или процессе. С учетом того, что из года в год объём этих данных увеличивается, а скорость их восприятия человеком относительно постоянна, конкурентные преимущества имеет тот, кто лучше и быстрее извлекает полезную для него информацию. Применение методологии Data Science в программном продукте позволяет значительно повысить его качество и эффективность, что приводит к увеличению прибыли и сокращению затрат организации. Потому руководители предприятия или организации готовы платить немалые деньги тем, кто знает Data Science и умеет воплощать ее методологию в жизнь.

Для успешного освоения курса слушателям необходимо иметь знания высшей математики на уровне 1-2 курса технического или математического высшего учебного заведения, а также владеть начальными навыками программирования, преимущественно на языке Python.

Николай Кухальский

Специальность:Data Science

Опыт работы:c 2015 года

Сфера интересов: Python, MathCad, Mathlab, Wolfram, Statistica, SPSS, Computer vision, OpenCv, Keras, Machine, Learning, Deep Learning, Nltk, NLP, Fasttext, CUDA, Pytorch, SciPy, NumPy, SkyKit, Xgboost, CatBoost.

Профессиональный путь: В 2005 году окончил Военную академию Республики Беларусь по специальности «Инженер по телекоммуникациям, радиоконтроль и противодействие». В 2008 году прошел адъюнктуру этой же академии. С 2008 года занимался научной и исследовательской работой в центре пограничных исследований ГУО «Институт пограничной службы Республики Беларусь».

В 2010 году защитил диссертацию в УО «Военная академия Республики Беларусь» с присвоением ученой степени кандидат технических наук.

С 2018 года член государственного экспертного совета «Безопасность человека, общества и государства» Государственного комитета по науке и технологиям Республики Беларусь.

С 2019 года доцент кафедры ГУО «Институт пограничной службы Республики Беларусь». В июне 2020 года присвоено ученое звание доцент по специальности «Радиотехника и связь».

С августа 2020 года профессор кафедры ГУО «Институт пограничной службы Республики Беларусь». Профессиональная область: разработка, сопровождение, модернизации технических систем различного назначения. Анализ технологических процессов. Мною опубликовано более 20 научных работ, 5 учебных пособий.

Особенности преподавания: Образовательный курс нацелен на приобретение слушателями знаний, умений и навыков, достаточных для самостоятельного улучшения различных процессов, протекающих в бизнес-среде, предприятиях и организациях, с дальнейшей возможностью выработки соответствующего решения или программного продукта, а также осуществления анализа технологических процессов и выработки необходимых рекомендаций.

Data Scientist – специалист по данным, занимающийся интеллектуальным анализом структурированных и неструктурированных данных. Использует статистику, машинное обучение и продвинутые методы предиктивной аналитики для решения ключевых бизнес-задач. Специалист по данным должен не только уметь анализировать полученную информацию, но и обладать отличными навыками программирования, уметь разрабатывать новые алгоритмы, обрабатывать большие объемы информации и иметь хорошее представление о той сфере, в которой он применяет свои знания.

Применение методологии Data Science в программном продукте позволяет значительно повысить его качество и эффективность, что приводит к увеличению прибыли и сокращению затрат организации. Поэтому руководители предприятия или организации готовы платить немалые деньги тем, кто является специалистом Data Science и умеет воплощать ее методологию в жизнь.

Владислав Сташевский

Специальность:Data Science

Опыт работы:c 2015 года

Сфера интересов: Data Science для бизнес-решений, анализ и прогнозирование временных рядов, оценка рисков финансовых инструментов, стохастическое моделирование процессов для бизнеса и финансового сектора, управление командой разработчиков Data Science подразделения.

Профессиональный путь: В 2016 году окончил экономический факультет БГУ, а через год – магистратуру по специальности «Математические методы в экономике». С 2017 года – аспирант по специальности «Математические и инструментальные методы экономики». Тема кандидатской диссертации: «Управление крупномасштабными инвестиционными портфелями на основе стохастических дифференциальных уравнений».

С 2017 года работал в инженером-программистом в компании-резиденте ПВТ «Агентство "БитАктив"». Занимался разработкой и анализом торговых алгоритмов на финансовом рынке ММВБ (Российская Федерация). С 2018 года параллельно был назначен на должность специалиста по управлению рисками. С 2019 года начал заниматься DS-проектами на аутсорсе. С 2020 года занимаюсь управлением и координацией собственной командой DS-разработчиков.

С 2017 года занимаюсь преподавательской деятельностью на экономическом факультете БГУ. Веду курсы: «Эконометрика», «Анализ и прогнозирование временных рядов», «Математическая статистика». С 2019 года также работаю преподавателем в рамках курса повышения квалификации.

Основные научные публикации:

Эконометрический анализ рынка драгоценных металлов;
Оптимизация финансового портфеля на рынке криптовалют;
Инвестиции на рынке драгоценных металлов: перспективы и практические рекомендации;
Важность учета трансмиссионного механизма при принятии решений;
Составление и оптимизация финансового инвестиционного портфеля на основе модели г. Марковица;
Параметрический метод оценки риска Value-at-Risk с использованием обобщенного распределения Парето;
Динамическое управление криптопортфелем с резервами;
Loss distribution approach как альтернативный метод оценки рыночного риска финансовых инструментов;
Stochastic Drawdown Risk как комплексная методология оценки рыночного риска финансовых активов и инвестиционных портфелей.

Особенности преподавания: В рамках курса студенты освоят основы математического анализа, теории вероятностей, математической статистики в приложении к разработке Data Science решений. Также научатся обрабатывать, анализировать, проверять гипотезы, визуализировать и проводить различные манипуляции с данными, создавать аналитические отчеты. Кроме этого, овладеют всеми необходимыми навыками Python, позволяющими использовать большую часть Data Science инструментов, получат навык правильного стилистического оформления Python кода и изучат большую часть функционала библиотек машинного обучения.

После курса студенты смогут самостоятельно использовать модели машинного обучения, анализировать данные, понимать содержание современных математических исследований (научных статей) и технической документации для дальнейшего саморазвития.

Почему выбирают IT-академию?

Дмитрий Шахрай Курс «Основы Data Science»

Программа обучения очень насыщенная

На курс по Data Science записался, поскольку начал интересоваться этой областью. До этого изучил язык программирования Python и думал, как можно его применить. Собственно, это и привело меня в IT-Academy. Прошёл отбор. Входные задания мне показались интересными, но не очень сложными. Наверное, потому что уже была база.

Продолжение Все отзывы

Андрей Щеглов Курс «Основы Data Science»

Курс сложный, но дал много новых и полезных знаний

Продолжение Все отзывы

Дмитрий Шахрай

Курс: Основы Data Science

А вот сама программа обучения – очень насыщенная, всё шло плотнячком, времени расслабляться не было. Но здесь нужно понимать, что Data Science – довольно широкая область и углубляться в ней можно бесконечно. На курсе мы получили основы, были интересные задания. Впечатления остались самые положительные.

Андрей Щеглов

Курс: Основы Data Science

Пришёл на курс с целью сменить сферу деятельности, связать свою карьеру с машинным обучением и Data Science. Образовательный центр ПВТ предлагает основательную программу обучения по Data Science. Увидел это и решил: почему бы не попробовать? Входные тесты дались нормально, у меня математическое образование, с программированием тоже дружу, поэтому особых проблем не возникло.

Курс в целом достаточно сложный, потребовал много усилий, но дал много новых и полезных знаний. В том числе и в программировании. Программа обучения полностью оправдала мои ожиданий. Теперь намерен искать работу в области Data Science и связать дальнейшую карьеру с этим направлением.