Sıfırdan PRO'ya Veri Bilimcisi - kurs 233.640 RUB. SkillFactory'den, eğitim 24 ay, Tarih 15 Ağustos 2023.

TEMEL

Bu aşamada Python'da programlamanın temellerini öğrenecek, verileri nasıl ön işleyip analiz edeceğinizi öğrenecek ve ayrıca bir veri bilimcinin temel görevlerine aşina olacaksınız.

Giriş - 1 hafta

Kendiniz için gerçek öğrenme hedeflerini formüle edebilecek, DS'nin iş açısından değerinin ne olduğunu öğrenebilecek, Bir veri bilimcinin ana görevlerini tanımak ve herhangi bir verinin nasıl geliştirildiğini anlamak DS'nin projesi.
GİRİŞ-1. Etkili bir şekilde nasıl çalışılır - eğitime katılım
GİRİŞ-2. Mesleğe genel bakış. Veri Bilimindeki problem türleri. Veri Bilimi projesi geliştirmenin aşamaları ve yaklaşımları

Geliştirme tasarımı - 5 hafta

Python kullanarak temel veri türleriyle çalışmayı öğrenecek ve günlük çalışmalarınızda döngüsel yapıları, koşullu ifadeleri ve işlevleri kullanabileceksiniz.
PYTHON-1. Python'un Temelleri
PYTHON-2. Veri Türlerine Dalış
PYTHON-3. Koşullu ifadeler
PYTHON-4. Döngüler
PYTHON-5. Fonksiyonlar ve fonksiyonel programlama
PYTHON-6. Pratik
PYTHON-7. Python Stil Kılavuzu (Bonus)

Temel Matematik - 7 hafta

MATEMATİK-1. Sayılar ve İfadeler
MATEMATİK-2. Denklemler ve eşitsizlikler
MATEMATİK-3. Fonksiyon teorisinin temel kavramları
MATEMATİK-4. Geometrinin temelleri: planimetri, trigonometri ve stereometri
MATEMATİK-5. Kümeler, mantık ve istatistik unsurları
MATEMATİK-6. Kombinatorik ve olasılık teorisinin temelleri
MATEMATİK-7. Problem çözme

Verilerle çalışma - 8 hafta 

Bu aşamada, temel veri becerilerinde uzmanlaşacaksınız: analize uygun olacak şekilde verilerin nasıl hazırlanacağı, temizleneceği ve dönüştürüleceği. Analizden bahsetmişken: Matplotlib, Seaborn, Plotly gibi popüler kütüphaneleri kullanarak verileri analiz edeceksiniz.

PYTHON-8. Veri Bilimi Araçları
PYTHON-9. NumPy kütüphanesi
PYTHON-10. Pandalara Giriş
PYTHON-11. Pandalarda verilerle çalışmaya yönelik temel teknikler
PYTHON-12. Pandalarda İleri Veri Teknikleri
PYTHON-13. Veri temizleme
PYTHON-14. Veri goruntuleme
PYTHON-15. Python'da OOP İlkeleri ve Hata Ayıklama Kodu (isteğe bağlı modül)
1. Proje. Kapatılan sorunlara ilişkin veri kümesi analitiği

Veri yükleme - 6 hafta

Farklı formatlardan ve kaynaklardan veri indirebileceksiniz. Yapılandırılmış bir sorgulama dili olan SQL ise bu konuda size yardımcı olacaktır. Toplama işlevlerini, tablo birleştirmelerini ve karmaşık birleştirmeleri kullanmayı öğreneceksiniz.
PYTHON-16. Farklı formatlardaki dosyalardan veri nasıl indirilir
PYTHON-17. Web kaynaklarından ve API'lerden veri alma
SQL-0. Merhaba SQL!
SQL-1. SQL'in Temelleri
SQL-2. Toplama işlevleri
SQL-3. Tabloları birleştirme
SQL-4. Karmaşık birleşimler
Proje 2. Yeni veriler yükleniyor. Analizin iyileştirilmesi

İstatistiksel veri analizi - 7 hafta 

İstihbarat Veri Analizi (EDA) odak noktanız olacaktır. Bu tür analizlerin tüm aşamalarına aşina olacak ve bunu Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas kütüphanelerini kullanarak nasıl yürüteceğinizi öğreneceksiniz. Ayrıca yarışmalara katılmak için popüler bir hizmet olan Kaggle üzerinde çalışabileceksiniz.
EDA-1. İstihbarat veri analizine giriş. EDA Algoritmaları ve Yöntemleri
EDA-2. EDA bağlamında matematiksel istatistikler. Özellik türleri
EDA-3. Özellik Mühendisliği
EDA-4. Python'da istatistiksel veri analizi
EDA-5. Python'da istatistiksel veri analizi. Bölüm 2
EDA-6. Deney tasarımı
EDA-7. Kaggle platformu
Proje 2

Makine Öğrenimine Giriş - 9 hafta

Veri bağımlılıklarını modellemek için ML kitaplıklarına aşina olacaksınız. Ana ML model türlerini eğitebilecek, doğrulama gerçekleştirebilecek, çalışmanın sonuçlarını yorumlayabilecek ve önemli özellikleri seçebileceksiniz (özellik önemi).
ML-1. Makine öğrenimi teorisi
ML-2. Denetimli Öğrenme: Regresyon
ML-3. Denetimli Öğrenme: Sınıflandırma
ML-4. Denetimsiz öğrenme: Kümeleme ve boyutluluk azaltma teknikleri
ML-5. Veri doğrulama ve model değerlendirmesi
ML-6. Özelliklerin seçimi ve seçimi
ML-7. Model hiperparametrelerini optimize etme
ML-8. ML Yemek Kitabı
Proje 3. Sınıflandırma sorunu

ANA ÜNİTE

Doğrusal cebir, matematiksel analiz, ayrık matematik - kulağa korkutucu geliyor ama korkmayın: tüm bu konuları analiz edeceğiz ve size onlarla nasıl çalışacağınızı öğreteceğiz! İkinci aşamada, matematiğe ve makine öğreniminin temellerine dalacak, DS meslekleri hakkında daha fazla bilgi edinecek ve kariyer rehberliği yoluyla ikinci yıllık bir çalışma alanı seçeceksiniz.

Matematik ve makine öğrenimi. Bölüm 1 - 6 hafta

Manuel hesaplama ve Python kullanarak pratik problemleri çözebileceksiniz (vektör ve matris hesaplamaları, kümelerle çalışma, diferansiyel analiz kullanarak fonksiyonları inceleme).
MATEMATİK&ML-1. Doğrusal yöntemler bağlamında doğrusal cebir. Bölüm 1
MATEMATİK&ML-2. Doğrusal yöntemler bağlamında doğrusal cebir. Bölüm 2
MATEMATİK&ML-3. Bir optimizasyon problemi bağlamında matematiksel analiz Bölüm 1
MATEMATİK&ML-4. Bir optimizasyon problemi bağlamında matematiksel analiz. Bölüm 2
MATEMATİK&ML-5. Bir optimizasyon problemi bağlamında matematiksel analiz. Bölüm 3
Proje 4. Regresyon sorunu

Matematik ve makine öğrenimi. Bölüm 2 - 6 hafta

Olasılık teorisi ve matematiksel istatistik, algoritmaların temel kavramlarına aşina olacaksınız. Ayrıca yapılan kümelemenin kalitesini değerlendirmeyi ve sonuçları sunmayı öğrenirler. grafik formu.
MATEMATİK&ML-6. Naive Bayes sınıflandırıcısı bağlamında olasılık teorisi
MATEMATİK&ML-7. Karar Ağaçlarına Dayalı Algoritmalar
MATEMATİK&ML-8. Yükseltme ve İstifleme
MATEMATİK&ML-9. Kümeleme ve boyutluluk azaltma teknikleri. Bölüm 1
MATEMATİK&ML-10. Kümeleme ve boyutluluk azaltma teknikleri. Bölüm 2
Proje 5. Topluluk yöntemleri

Ayrık Matematik - 4 hafta

MATH&MGU-1 Kümeleri ve kombinatorikleri
MATH&MGU-2 Mantığı
MATH&MGU-3 Grafikleri. Bölüm 1
MATH&MGU-4 Grafikleri. Bölüm 2

İş dünyasında makine öğrenimi - 8 hafta

Zaman serisi problemlerini ve öneri sistemlerini çözmek için ML kitaplıklarını kullanmayı öğreneceksiniz. Bir ML modelini eğitip doğrulayabilecek, ayrıca çalışan bir prototip oluşturup modeli web arayüzünde çalıştırabileceksiniz. Ayrıca modeli değerlendirebilmeniz için A/B testi becerileri kazanın.
MATEMATİK&ML-11. Zaman serisi. Bölüm 1
MATEMATİK&ML-12. Zaman serisi. Bölüm 2
MATEMATİK&ML-13. Tavsiye sistemleri. Bölüm 1
MATEMATİK&ML-14. Tavsiye sistemleri. Bölüm 2
PROD-1. Modelin Üretime Hazırlanması
PROD-2. PrototipStreamlit+Heroku
PROD-3. İş anlayışı. Dava
Proje 6. Aralarından seçim yapabileceğiniz konu: Zaman serileri veya Öneri sistemleri

PRO DÜZEYİ

Üçüncü aşamada, makine öğrenimi yöntemlerinden biri olan derin öğrenme (DL) hakkında bilgi sahibi olacaksınız. Ayrıca seçilen uzmanlığın tam teşekküllü bir bloğu sizi bekliyor: makine öğrenimi becerilerinde uzmanlaşabilirsiniz (ML), CV (bilgisayarlı görme) rutini hakkında bilgi edinin veya NLP*, doğal işleme konusunda kendinizi geliştirin dil.

Eğitimin ikinci yılı - seçebileceğiniz 3 uzmanlık

Kariyer rehberliği

ML, CV veya NLP: Bu aşamada en sonunda hangi yolu seçeceğinize dair bir seçim yapmanız gerekir. Size her uzmanlıktan bahsedeceğiz ve karar vermenizi kolaylaştırmak için size birkaç pratik sorunu çözmeyi teklif edeceğiz.

Makine öğrenimini takip et - mühendis

ML yolunda, derinlemesine makine öğrenimi sorunlarını çözmeyi, bir veri mühendisinin becerilerinde uzmanlaşmayı ve Python kitaplıklarıyla çalışma becerilerinizi geliştirmeyi öğreneceksiniz. Ayrıca bir MVP'nin (bir ürünün minimum geçerli sürümü) nasıl oluşturulacağını, bir makine öğrenimi modelinin üretime aktarılmasının tüm inceliklerini ve makine öğrenimi mühendislerinin gerçek hayatta nasıl çalıştığını öğreneceksiniz.
Derin Öğrenmeye Giriş
Veri Mühendisliği Temelleri
Ek Python ve ML bölümleri
Etkilerin ekonomik değerlendirmesi ve MVP gelişimi
ML'den Üretime
Seçilen bir konu üzerinde makine öğrenimi geliştirme ve mezuniyet projesinin derinlemesine incelenmesi

CV'yi takip et - mühendis

CV yolunda görüntü sınıflandırma gibi bilgisayarla görme sorunlarını çözmeyi öğreneceksiniz. segmentasyon ve tespit, görüntü oluşturma ve stilizasyon, restorasyon ve kalite iyileştirme fotoğraflar. Ayrıca sinir ağlarını üretime nasıl aktaracağınızı öğreneceksiniz.
Derin Öğrenmeye Giriş
Veri Mühendisliği Temelleri
Ek Python ve ML bölümleri
Etkilerin ekonomik değerlendirmesi ve MVP gelişimi
ML'den Üretime
Seçilen bir konu üzerinde makine öğrenimi geliştirme ve mezuniyet projesinin derinlemesine incelenmesi

NLP'yi takip edin - mühendis

NLP yolundaki eğitim sırasında, doğal dil işlemenin temel sorunlarını nasıl çözeceğinizi öğreneceksiniz. sınıflandırma, özetleme ve metin oluşturma, makine çevirisi ve diyalog oluşturma dahil sistemler
Derin Öğrenmeye Giriş
NLP için Sinir Ağı Matematiği
NLP sorunlarını çözmek için Donanım ve Yazılım
NLP görevleri ve algoritmaları
Üretimde sinir ağları
Seçilen bir konu üzerinde NLP geliştirme ve mezuniyet projesinin derinlemesine incelenmesi

CV veya ML uzmanlığını seçerseniz mentor desteği olmadan NLP kursunu ücretsiz olarak alabilirsiniz.

Derin Öğrenme ve Sinir Ağları

Sinir ağları nerede kullanılır? Bir sinir ağı nasıl eğitilir? Derin Öğrenme Nedir? Bu soruların cevaplarını DL'nin bonus bölümünde bulacaksınız.

Veri Mühendisliğine Giriş

Bir veri bilimci ile veri mühendisinin rolleri arasındaki farkı, ikincisinin çalışmalarında hangi araçları kullandığını ve günlük olarak hangi görevleri çözdüğünü öğreneceksiniz. “Kar tanesi”, “yıldız” ve “göl” kelimeleri yeni anlamlar kazanacak :)