С нуля до трудоустройства за 13 месяцев

−40% до 16 августа

Профессия Data Scientist: машинное обучение

Image

Вы научитесь создавать аналитические системы и использовать алгоритмы машинного обучения, освоите работу с нейросетями. Наполните портфолио и получите престижную профессию.

На рынке не хватает специалистов по Data Science

Кому подойдёт этот курс

Чему вы научитесь

  1. Программировать на Python

    Освоите самый популярный язык для работы с данными.
  2. Визуализировать данные

    Сможете разрабатывать дашборды или интерактивную инфографику.
  3. Работать с библиотеками и базами данных

    Научитесь работать с библиотеками Pandas, NumPy и Matpotlib и освоите базы данных PostgreSQL, SQLite3, MongoDB.
  4. Применять нейронные сети для решения реальных задач

    Освоите фреймворки для обучения нейронных сетей Tensorflow и Keras. Узнаете, как устроены нейронные сети для задач компьютерного зрения и лингвистики.
  5. Строить модели машинного обучения

    Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.
  6. Создавать рекомендательные системы

    Построите рекомендательную систему и добавите её в своё портфолио.

Помощь в трудоустрой-стве

Карточки вакансий

Опытные HR-специалисты отвечают на вопросы, подбирают лучшие вакансии, готовят к собеседованию и помогают каждому студенту получить работу мечты.

Андрей Виноградов

Андрей Виноградов

Руководитель Центра карьеры Skillbox

Как проходит обучение

  1. Изучаете тему

    В курсе — практические видеоуроки.

    Изучаете тему
  2. Выполняете задания

    В том темпе, в котором вам удобно.

    Выполняете задания
  3. Работаете с наставником

    Закрепляете знания и исправляете ошибки.

    Работаете с наставником
  4. Защищаете дипломную работу

    И дополняете ею своё портфолио.

    Защищаете дипломную работу

Программа

Вас ждут 7 курсов с разным уровнем сложности, знание которых можно приравнять к году работы.

  • 79 тематических модулей
  • 288 онлайн-уроков
    1. Введение в Data Science
    2. Введение в Python
    3. Основы Python: установка PyCharm
    4. Основы Python: базовые структуры данных
    5. Основы Python: циклы и условия
    6. Основы Python: функции
    7. Мастер-класс: воронки
    8. Основы Python: классы и объекты
    9. Основы Python: исключения
    10. Библиотека NumPy: методы анализа массивов
    11. Библиотека NumPy: способы преобразования массивов
    12. Библиотека pandas: индексация и выбор данных
    13. Библиотека pandas: применение функций, группировка, сортировка
    14. Визуализация данных с помощью matplotlib
    15. Мастер-класс: разведочный анализ (EDA)
    16. Курсовая работа. Подготовка аналитического отчёта на основе имеющихся данных в качестве помощи продюсерам образовательных программ эффективно выстраивать стратегию по обновлению и улучшению курсов
    17. Чтение и запись данных: CSV, HTML, XML, XLSX
    18. Основы SQL
    19. Чтение и запись данных: JSON, HDF5, Работа с БД: SQLite3, postgreSQL, MongoDB
    20. Работа со строками
    21. Курсовая работа. Часть 1. Подготовка аналитического отчёта для HR-отдела. На основе аналитики необходимо составить рекомендации для отдела кадров по стратегии набора персонала и взаимодействию с сотрудниками 
    22. Курсовая работа. Часть 2. подготовка аналитического отчёта для SMM-отдела компании Skillbox на основе паблика Skillbox «ВКонтакте»
    1. Основы статистики и теории вероятностей
    1. Базовые математические объекты и SymPy. Дроби и преобразования
    2. Базовые математические объекты и SymPy. Функции и дополнительные объекты
    3. Функции одной переменной, их свойства и графики
    4. Интерполяция и полиномы: квадратичные и кубические функции
    5. Аппроксимация и преобразование функций: сдвиги, растяжения, сжатия
    6. Аппроксимация и работа с производными
    7. Функции нескольких переменных, их свойства и графики
    8. Частные производные функции нескольких переменных
    9. Векторы и матрицы. Градиент
    10. Линейная регрессия и системы линейных уравнений
    11. Разложение матриц. Собственные векторы и значения
    1. Основные концепции Machine Learning (ML)
    2. Жизненный цикл ML-проекта
    3. Регрессия: метрики качества, преобразование входных данных
    4. Регрессия: регуляризация и градиентный спуск
    5. Классификация: kNN, наивный байесовский классификатор, деревья решений
    6. Классификация: метрики качества классификации и многоклассовая классификация
    7. Кластеризация
    8. Дополнительные техники: понижение размерности
    9. Дополнительные техники: бустинг и стекинг
    10. Знакомство с Kaggle
    11. Курсовая работа. Проанализировать данные телекоммуникационной компании и спрогнозировать отток пользователей на основе демографических характеристик, услуг, которыми они пользуются, длительности пользования услугами, метода и размера оплаты
    1. Введение в нейронные сети
    2. Обучение нейронных сетей
    3. Нейронные сети на практике
    4. Свёрточные нейросети для задачи классификации изображений: введение в свёртки (многоканальные свёртки, рецептивное поле)
    5. Свёрточные нейросети для задачи классификации изображений: продвинутые операции со свёрткой (архитектуры сетей VGG и ResNet, задача Transfer Learning для свёрточных сетей)
    6. Семантическая сегментация: слабая локализация и полносвёрточные нейросети (FCN)
    7. Семантическая сегментация: продвинутые архитектуры FCN для семантической сегментации
    8. Детектирование объектов. Задачи классификации и локализации 
    9. Детектирование объектов. Анализ и реализация R-CNN-архитектуры
    10. Детектирование объектов. Разбор популярных архитектур (Fast/Faster R-CNN, YOLO, SSD) и знакомство с TensorFlow Object Detection API
    11. От дискриминативных моделей к генеративным. Style transfer
    12. Генеративные состязательные сети
    13. Введение в NLP
    14. NLP на нейросетях. Рекуррентные нейросети, классификация текстов
    15. NLP на нейросетях. Языковые модели, Attention, Transformer
    16. Обучение с подкреплением. Q-Learning
    17. Обучение с подкреплением. Deep Q-Learning
    18. Ускорение и оптимизация нейронных сетей
    19. Внедрение DL моделей в production
    20. Введение в рекомендательные системы и задачи ранжирования
    21. Современные подходы к построению рекомендательных систем
    1. Как стать первоклассным программистом
    2. Как искать заказы на разработку
    3. Личный бренд разработчика
    4. Photoshop для программиста
    5. Вёрстка email-рассылок. Советы на реальных примерах
    6. The state of soft skills
    7. Как мы создавали карту развития для разработчиков
    8. Как общаться по email и эффективно работать с почтой
    9. Повышение своей эффективности
    10. Спор о первом языке программирования
    11. Саморазвитие: как я не усидел на двух стульях и нашёл третий
    12. Data-driven подход к продуктивности — инсайты из данных миллиона людей
    1. IT Resume and CV
    2. Job interview: questions and answers
    3. Teamwork
    4. Workplace communication
    5. Business letter
    6. Software development
    7. System concept development and SRS
    8. Design
    9. Development and Testing
    10. Deployment and Maintenance
    1. Рекомендательная система для онлайн-гипермаркета Instacart. Проект-соревнование на платформе Kaggle. Вы используете анонимные данные о заказах клиентов, чтобы предсказать, какие продукты будут в их следующем чеке. Создадите рекомендательную систему для сайта и рекламных коммуникаций.
    2. Система по распознаванию эмоций. Проект-соревнование на платформе Kaggle. Это подразумевает написание воспроизводимого кода, генерирующего csv-файл с ответами, в котором для каждого изображения с лицом человека указана его наиболее вероятная эмоция. В итоге вы реализуете собственный проект в области компьютерного зрения.

Уже учились на каком-то курсе из программы?

Скажите об этом менеджеру — за этот курс платить не придётся!

Заявка не отправлена!

Похоже произошла ошибка. Попробуйте отправить снова или перезагрузите страницу.

Спасибо!

Ваша заявка успешно отправлена

Преподаватели

Валентин
Пановский

Chief Data Scientist в Skillbox. Блоки «Аналитика и машинное обучение. Начальный уровень»

Артемий
Козырь

Старший аналитик данных Wheely. Блок «Аналитика. Начальный уровень»

Андрей
Мещеряков

Data Scientist в EPAM. Блок «Аналитика. Начальный уровень»

Михаил
Овчинников

Главный методист технического направления Skillbox

Алла
Тамбовцева

Преподаватель НИУ ВШЭ

Александр
Джумурат

Руководитель команды разработки рекомендательной системы в ivi.ru

Дмитрий
Коробченко

Deep Learning R&D инженер и менеджер в NVIDIA. Блок «Машинное обучение. Средний уровень»

Алексей
Мастов

Deep Learning инженер в NVIDIA. Блок «Машинное обучение. Средний уровень»

Лидия
Храмова

Team Lead Data Scientist группы бизнес-моделирования в QIWI. Блок «Статистика и теория вероятностей»

Адель
Томилова

Data Scientist в KPMG. Блок «Аналитика. Начальный уровень»

Николай
Голов

Chief Data Architect в ManyChat. Блок «Аналитика. Начальный уровень»

Ваше резюме после обучения

Аделина Ветрова
  • Должность Специалист по машинному обучению
  • Зарплата от: 100 000 ₽

Профессиональные навыки:

  • Владение Python для машинного обучения
  • Применение алгоритмов машинного обучения
  • Работа с различными источниками данных: CSV, XML и XLS
  • Написание рекомендательных систем
  • Работа с базами данных MongoDB, PostgreSQL, SQLite3 и SQL
  • Работа с нейронными сетями
  • Работа с библиотеками pandas, numpy, matplotlib

Диплом Skillbox

Подтвердит, что вы прошли курс, и станет дополнительным аргументом при устройстве на работу.

Image

Стоимость обучения

−40% до 16 августа
  • Рассрочка без первого взноса 2 875 ₽
  • Стоимость
    со скидкой 69 000 ₽
  • Первоначальная
    стоимость 115 000 ₽