Придбаний Data Scientist [2021] [TeachMeSkills] [Богдан]

[Gadzhi]

• .

Data Scientist [2021]
TeachMeSkills
Богдан

Научим Data Science с нуля за 7,5 месяцев.

Кем ты станешь:
С развитием технологий и повсеместным использованием гаджетов все легче становится собирать различные данные о том, что происходит в мире — от наших кликов в интернет-пространстве до структуры развития человеческого генома. Для того, чтобы уметь обращаться с этими данными, и существует Data Science. Какую песню предложить тебе для прослушивания? Как определить, где пешеход, а где встречная машина во время движения? Как спрогнозировать изменение цен на криптовалюту в будущем? На этом курсе ты сможешь понять, как работают все вышеперечисленные алгоритмы, а также научишься строить свои предиктивные модели, используя фреймворки TensorFlow и PyTorch.

Твой результат в конце курса:

1. Выучишь основные алгоритмы машинного обучения и натренируешь свои модели
2. Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры
3. Используешь лучшие методики для оценки качества моделей и их оптимизации
4. Научишься стратегиям end-to-end, транcфера и многозадачного машинного обучения
5. Построишь сверточные и рекурентные нейронные сети, используя фреймворки PyTorch и TensorFlow
6. Станешь востребованным специалистом в сфере Data Science

Спойлер: Информация

Модуль 1 - Введение

• Краткий обзор курса и задач Machine Learning
  
• Что такое Machine Learning, Data Science, AI
  
• Google Colab, Jupyter Notebook, настройка среды

Модуль 2 - Python для Data Science

• Введение в Python
  
• Основы работы с Python

Модуль 3 - Системы контроля версий - Git

• Git - введение
• Git Flow
• Git - практика

Модуль 4 - Основы Python (типы и структуры данных)

• Операторы, выражения
• Числа с плавающей точкой (int/float)
• float 2
• Базовые коллекции 1 - list (списки)
• Базовые коллекции: cтроки
• Базовые коллекции: словари и множества
• Базовые коллекции: кортежи

Модуль 5 - Основы Python (логические выражения и циклы)

• Условный оператор if, ветвления
• Условный оператор if: продолжение
• Цикл while
• For: циклы со счетчиком
• For: циклы со счетчиком, часть 2. Функция range
• Цикл for: работа со строками
• Вложенные циклы

Модуль 6 - Основы Python (функции)

• Функции
• Методы для работы со списком
• List comprehensions
• Функции — Рекурсия

Модуль 7 - Основы Python (классы)

• Классы

Модуль 8 - 9 - Манипуляции с данными. Базы данных и SQL

• Изучить основные методы и структуры данных библиотеки Pandas
• Извлечение данных, визуализация результатов
• Группировка, подсчет метрик
• Преобразование данных
• Базы данных
• SQLite
• SQL запросы
• ORM

Модуль 10 - PostgreSQL и SQLAlchemy

• Сложные запросы
• PostgreSQL
• SQLAlchemy
• Функции и триггеры
• ORM

Модуль 11 - 12 - Базовый математический уровень для Data Science и реализация в Python

• Линейная алгебра (Основы матричного исчисления), векторы, векторное пространство
• Вычисления с помощью NumPy
• Матрицы. Реализация матричных операций на языке Python
• Основы теории вероятности и математической статистики. Основы мат. анализа
• Распределения, доверительные интервалы
• Корреляция
• Базовый эксплоративный анализ и визуализация данных
• Работа с данными в Pandas

Модуль 13 - Data Visualization

• Визуализация данных в Matplotlib
• Plotly

Модуль 14 -15 - Классические Machine Learning-алгоритмы

• Обучение с учителем/без учителя/с подкреплением
• Функция ошибок
• Градиентный спуск
• Линейная регрессия

Модуль 16 - 17 - Продолжаем с линейной регрессией

• Множественная линейная регрессия
• Классификация (логистическая регрессия)
• Переобучение (регуляризация)
• Недообучение
• Другие алгоритмы (Метод опорных векторов)

Модуль 18 - Введение в нейронные сети

• Понятие нейронных сетей. Нейрон. Многослойный персептрон
• Функции активации
• Learning (Forward, Backpropagation)
• Смещение/разброс (Bias/Variance)
• Кривые обучения (Learning curves)
• Метрики оценки

Модуль 19 - 20 - Ансамблевые методы

• Деревья решений
• Ансамблевые методы Boosting/Bagging
• Градиентный бустинг
• Random Forest

Модуль 21 - Обучение без учителя (Кластеризация)

• Метод k-средних
• Иерархическая кластеризация
• DBSCAN
• Выявление аномалий

Модуль 22 - Снижение размерности

• Метод главных компонент (PCA)
• Стохастическое вложение соседей с t-распределением (T-SNE)

Модуль 23 - Рекомендательная система

• Основанная на пользователях
  
• Основанная на контенте
  
• Коллаборационный фильтр
  
• Модели прогнозирования временных рядов

Модуль 24 - Работа с большими данными

• Large scale algo
• Batching
• Cross-Validation
• Map reduce

Модуль 25 - 26 - Нейронные сети и Deep Learning

• Классификация архитектур нейронных сетей
• Виды слоёв (и классификация нейронов)
• Обучение: функция потерь, обратное распространение ошибки, оптимизаторы, стохастический градиент
• Регуляризация
• Ознакомление с библиотеками для Deep Learning

Модуль 27 - 29 - Решение проблем с тренировкой глубоких нейросетей

• Улучшаем глубокие нейросети
• Оптимизация гиперпараметров, Регуляризция и Оптимизация
• Gradient vanishing/explosion

Модуль 30 - 31 - Data Science project pipeline

• Structuring Machine Learning Projects
• Transfer Learning

Модуль 32 - 34 - Сверточные нейросети

• Введение
• Операция свертки
• Слои в сверточных нейросетях
• Базовая структура сверточной нейросети
• Классификация объектов

Модуль 35 - 37 - Применение сверточных нейросетей

• Object detection
• Распознавание лиц
• Перенос стилей

Модуль 38 - 42 - Sequence Models

• Рекуррентная нейросеть (RNN)
• Управляемый рекуррентный блок (GRU)
• Долгая краткосрочная память (LSTM)
• Двунаправленная RNN/LSTM
• Механизм внимания

Модуль 43 - 44 - Основы Natural Language Processing (NLP)

• Word2Vec, GloVe и Fastext
• BERT

Модуль 45 - 46 - Основы Times Series Prediction

• Классические подходы применения статистики
• Предобработка временных рядов
• Применение Deep Learning

Модуль 47 - 49 - Примеры решений задач СV, NLP, Time Series prediction

• Сегментация объектов на изображении
• Анализ эмоциональной окрашенности текста
• Классификации текста

Модуль 50 - 52 - Основы Computer Science для Data Science

• Основы Computer Science (OOП)
• Базовые алгоритмы и структуры данных
• Инкапсуляция, наследование и полиморфизм
• Перегрузка операторов
• MRO
• Статические методы, методы класса, property
• Метаклассы
• Классы данных

Модуль 53 - Основы Web

• Flask or Fast API

Модуль 54 - 55 - Основы работы в облачных сервисах

• Знакомство с AWS
• Базы данных на AWS -- RedShift
• AWS SageMaker, S3
• AWS Textract
• Google Cloud Platform
• Google Vision
• Деплой своего проекта на GCP (App Engine)

Модуль 56 - 57 - Закрепление итогового материала и выбор дипломного проекта

Модуль 58 - Подготовка к техническому собеседованию

Модуль 59 - Онлайн-тренинг "Трудоустройство в IT"

• Составление резюме (теория + практика)
  
• Составление профиля на LinkedIn (теория + практика)
  
• Прохождение интервью
  
• Soft skills, которые важны в рамках интервью
  
• Проведение пробного интервью

Модуль 60 - Защита дипломных проектов

Общая стоимость курса: 2800 (BYN)

https://teachmeskills.by/kursy-programmirovaniya/data-scientist-online