Обучение
- Подготовительные курсы
-
Программирование
- Промышленная разработка программного обеспечения на Java
- Промышленная разработка ПО на ASP.NET
- Разработка игр на Unity
- Курсы создания сайтов и Front-end разработки
- Разработка мобильных приложений под iOS
- Разработка мобильных приложений на Android
- Разработка веб-приложений на PHP
- Разработка веб-приложений на Python
- Разработка игр на С++
- Разработка на Node.js
- Разработка облачных приложений
- Программирование на Go (Golang)
- Наука о данных
- Тестирование ПО
- Гуманитарные дисциплины в IT
- Тренинги по Agile
- Управление проектами и стартапами
- Бизнес-анализ
- Веб-дизайн и компьютерная графика
- Системное и сетевое администрирование
- Маркетинг и продажи
- Английский язык для IT
- Soft skills
- Тренинги EPAM
Обучение
- Программирование
- Промышленная разработка программного обеспечения на Java
- Промышленная разработка ПО на ASP.NET
- Разработка игр на Unity
- Курсы создания сайтов и Front-end разработки
- Разработка мобильных приложений под iOS
- Разработка мобильных приложений на Android
- Разработка веб-приложений на PHP
- Разработка веб-приложений на Python
- Разработка игр на С++
- Разработка на Node.js
- Разработка облачных приложений
- Программирование на Go (Golang)
- Тестирование ПО
- Ручное тестирование ПО
- Оценка трудозатрат и планирование тестирования
- Автоматизированное тестирование на Python
- Автоматизированное тестирование на Java
- Тестирование безопасности
Основы Data Science
Курс по Data Science 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 даёт неоспоримое преимущество не только организациям на рынке товаров и услуг, но и людям на рынке труда.
Описание курса
Описание курса
Формы обучения
Вечерняя / Дистанционная, Минск
понедельник и среда с 18.50 до 21.40
Подходящий формат Вы выбираете сами!
Тренер: Сидоренко Роман Data Sciencist – GFAIVE - full-stack data engineering and AI consulting firm, Минск
При подаче заявки укажите, хотите ли Вы
посещать занятия в аудитории
или подключаться дистанционно
2 из 18 мест
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.
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
Почему выбирают IT-академию?
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.
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.
Дмитрий Шахрай
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.
Андрей Щеглов
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 3150 выпускников успешно работают в IT-компаниях в Беларуси и за рубежом
Акции и новости