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.
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.
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;
Объект Data Science.
Взаимосвязь Data Mining, Big Data и Data Science.
Инструментарий Data Science.
Основные способы получения данных.
Базовый эксплоративный анализ и визуализация данных.
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.
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.
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.
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.
Введение в рекомендательные системы.
Различие между предсказаниями и рекомендациями.
Типы рекомендательных систем.
Постановка целей.
Неперсонализированные рекомендации.
Способы построения рекомендательных систем.
Цепи Маркова.
Групповые рекомендации.
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.
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.
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.
Модели построения прогнозов.
Разложение временного ряда на компоненты.
Автокорреляция и корелограммы.
Стационарность ряда.
Сложные модели прогнозирования.
Прогнозирование временных рядов на цепях Маркова.
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.
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!
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 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.
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.
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.
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;
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.
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.
Курс сложный, но дал много новых и полезных знаний
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.
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.
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.
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.
Более 4350 выпускников успешно работают в IT-компаниях в Беларуси и за рубежом
ООО «Образовательный центр программирования и высоких технологий» стремится открыто и в понятной форме сообщать своим пользователям о том, как собираются и используются их данные. Наша организация осознает значимость для Вас того, каким образом ваша информация обрабатывается и используется в режиме коллективного доступа, и мы ценим Вашу уверенность в том, что мы будем делать это тщательно и разумно. Мы полагаем, что для Вас, как для пользователя, важно знать реализуемый нами порядок обращения с информацией о Вас, получаемой нами в ходе посещений Вами нашего сайта. Политика конфиденциальности предназначена для того, чтобы способствовать формированию у Вас понимания того, каким образом мы осуществляем сбор, раскрытие и обеспечение безопасности, получаемой нами в ходе посещения и просмотра Вами нашего веб-сайта. Продолжая использовать данный сайт и нажимая на кнопку «Принять», Вы подтверждаете, что ознакомились с Политикой использования файлов cookie и согласны на обработку Ваших персональных данных на изложенных в Политике конфиденциальности условиях.