про курс
Наша мета-навчити вас практичному застосуванню Data Science і Машинного навчання. Тому ми зробили наголос на практичні навички (природно, не забуваючи про теорію). Кожен викладач виступає в ролі персонального тренера навичок Data Science і підтримує на всіх етапах курсу.
Ми вчимо не тільки вирішувати завдання, а й знаходити їх в реальних проектах. Буде важко і боляче, але вам сподобається.
Для кого цей курс?
Курс підійде розробникам, аналітикам, технічним менеджерам і всім, хто не боїться забруднити руки в програмному коді.
Для старту на курсі кандидату необхідно знати математику на базовому рівні, володіти будь-якою мовою програмування або мати базові знання мови Python.
типова лекція
1. Підготовчий матеріал
За 3 дні до лекції Ви отримуєте роздатковий матеріал у форматі відео або PDF, щоб технічний і математичний рівень студентів був однаковий.
2. 3-х годинна лекція
Після заняття ми надсилаємо відеозапис лекції. Якщо ви не можете фізично бути присутнім на занятті, підключайтеся до онлайн-трансляції.
3. Тест
Після кожної лекції ми надсилаємо тест для перевірки засвоєння матеріалу, пошуку та усунення прогалин.
4. Домашня робота
Виконання домашніх робіт займе мінімум 8 годин на тиждень.
і що на виході?
- Навчіться бачити завдання машинного навчання, отримаєте досвід їх вирішення.
- Пориньте в область аналізу даних.
- познайомитеся з основними бібліотеками, алгоритмами і підходами Data Science.
- отримайте набір лекцій і коду, до яких можна повертатися в своїй практиці.
- знайдете нових знайомих і колег по індустрії.
програма курсу
Розвідувальний аналіз даних (EDA)
3 години і 2 практичних завдання
3 години і 1 Практичне завдання
6 годин і 2 практичних завдання
9 годин і 3 практичних завдання
3 години і 2 практичних завдання
9 годин і 3 практичних завдання
3 години і 1 Практичне завдання
3 години і 1 Практичне завдання
3 години і 2 практичних завдання
3 години і 1 Практичне завдання
Результатом навчання стане курсовий проект, а головна вимога до нього – готове MVP.
Протягом курсу студенти розбиваються на групи по 2-3 людини і вибирають тему курсового проекту. Останні 3 тижні курсу команди самостійно працюють над проектом. На останньому занятті група і викладачі збираються на захист і обговорення проектів.
викладачі
Наша Dream Team
Викладачі-тренери DataGym
Петро Єрмаков
Senior Data Scientist Lamoda
Керівник та лектор курсу
Займався аналізом даних в компаніях Mail.ru Group і HeadHunter, викладав Машинне навчання у ВШЕ, МГТУ ім.Баумана і декількох комерційних курсах.
Професійні інтереси: рекомендаційні системи, обробка природної мови та BigData.
Андрій Шестаков
Team Lead Data Scientist Mail.ru Group
Лектор курсу
У компанії Forecsys працював над завданнями прогонізованія попиту і оптимізації складських запасів, cross-sell, up-sell. В Mail.ru Group працює у складі департаменту рекламних технологій, займається аналізом інтернет-поведінки користувачів.
Викладає аналіз даних і машинне навчання в ВШЕ.
Михайло Трофімов
Senior Data Scientist Joom
Лектор курсу
Kaggle Grandmaster.
Займався аналізом даних в компаніях Machine Learning Works і Avito. Співавтор курсу на Coursera: How to Win a Data Science Competition: Learn from Top Kagglers.
Професійні інтереси: конкурси з аналізу даних, комп'ютерний зір.
Едуард Клишинський
Доцент Вища Школа економіки, МГТУ ім.Баумана
Лектор курсу
Викладає Машинне навчання у ВШЕ та МГТУ ім. Баумана, співпрацює з ІПМ ім. М. в. Келдиша РАН.
Розробляв системи машинної транскрипції, аналізу текстів.
Професійні інтереси: Обробка текстів природною мовою, комп'ютерна лінгвістика.
Юлія Ковальова
Developer Relations Manager Mail.ru Group
Людина, яка вирішує всі проблеми
Три роки займалася організацією IT конференцій, мітапов і хакатонів в eventspace.by у Мінську. Зараз працює у внутрішніх комунікаціях Mail.ru Group.
Професійні інтереси: створення і розвиток IT спільнот, технічний PR.
Розвідувальний аналіз даних (EDA)
3 години і 2 практичних завдання
- введення в python
- обробка табличних даних
- Візуалізація даних
3 години і 1 Практичне завдання
- основні напрямки машинного навчання
- приклади застосування машинного навчання
- Метрики та їх важливість у машинному навчанні
6 годин і 2 практичних завдання
- Лінійні методи
- дерева прийняття рішення
- Метод К-найближчих сусідів
9 годин і 3 практичних завдання
- підхід"Bag of Words"
- морфологічний і синтаксичний аналіз тексту
- виділення фактів з тексту
- тематичне моделювання
- word embedding і Word2Vec
3 години і 2 практичних завдання
- Створення нових ознак машинного навчання
- Підготовка Pipeline-ів
9 годин і 3 практичних завдання
- онлайн-навчання
- введення в рекомендаційні системи
- введення в Deep Learning
3 години і 1 Практичне завдання
- випадковий ліс
- градієнтний бустинг
- Стекінг
- Блендінг
3 години і 1 Практичне завдання
- ARIMA-підхід
- класичне Машинне навчання на часових рядах
- Facebook Prophet
- Amazon GluonTS
3 години і 2 практичних завдання
- кластеризація
- зниження розмірності
- застосування підходів машинного навчання без вчителя для генерації нових ознак
3 години і 1 Практичне завдання
- як загорнути модель машинного навчання в web-сервіс
- Як налаштувати перенавчання моделі
- особливості впровадження машинного навчання в production
- Docker-образ для Data Science
Результатом навчання стане курсовий проект, а головна вимога до нього – готове MVP.
Протягом курсу студенти розбиваються на групи по 2-3 людини і вибирають тему курсового проекту. Останні 3 тижні курсу команди самостійно працюють над проектом. На останньому занятті група і викладачі збираються на захист і обговорення проектів.
викладачі
Наша Dream Team
Викладачі-тренери DataGym
Петро Єрмаков
Senior Data Scientist Lamoda
Керівник та лектор курсу
Займався аналізом даних в компаніях Mail.ru Group і HeadHunter, викладав Машинне навчання у ВШЕ, МГТУ ім.Баумана і декількох комерційних курсах.
Професійні інтереси: рекомендаційні системи, обробка природної мови та BigData.
Андрій Шестаков
Team Lead Data Scientist Mail.ru Group
Лектор курсу
У компанії Forecsys працював над завданнями прогонізованія попиту і оптимізації складських запасів, cross-sell, up-sell. В Mail.ru Group працює у складі департаменту рекламних технологій, займається аналізом інтернет-поведінки користувачів.
Викладає аналіз даних і машинне навчання в ВШЕ.
Михайло Трофімов
Senior Data Scientist Joom
Лектор курсу
Kaggle Grandmaster.
Займався аналізом даних в компаніях Machine Learning Works і Avito. Співавтор курсу на Coursera: How to Win a Data Science Competition: Learn from Top Kagglers.
Професійні інтереси: конкурси з аналізу даних, комп'ютерний зір.
Едуард Клишинський
Доцент Вища Школа економіки, МГТУ ім.Баумана
Лектор курсу
Викладає Машинне навчання у ВШЕ та МГТУ ім. Баумана, співпрацює з ІПМ ім. М. в. Келдиша РАН.
Розробляв системи машинної транскрипції, аналізу текстів.
Професійні інтереси: Обробка текстів природною мовою, комп'ютерна лінгвістика.
Юлія Ковальова
Developer Relations Manager Mail.ru Group
Людина, яка вирішує всі проблеми
Три роки займалася організацією IT конференцій, мітапов і хакатонів в eventspace.by у Мінську. Зараз працює у внутрішніх комунікаціях Mail.ru Group.
Професійні інтереси: створення і розвиток IT спільнот, технічний PR.
курс складається з
15 лекцій по 3 години і хакатону (10 годин) = 55 годин,
17 практичних домашніх завдань,
а також 3-х тижневого курсового проекту
вартість курсу
Для юридичних та фізичних осіб
65.000 ₽
https://privatelink.de/?https://datagym.ru/#registration