С нуля до трудоустройства за 13 месяцев

−40% для первых
20 студентов

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

Данные сайта hh.ru

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. Строить модели машинного обучения

    Изучите разные алгоритмы, научитесь решать задачи регрессии, классификации и кластеризации.
  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. Работать с библиотеками и базами данных

    Освоите базы данных MongoDB, PostgreSQL, SQLite3, научитесь работать с библиотеками Pandas, NumPy и Matpotlib.
  6. Писать рекомендательные системы

    Создадите 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.

  2. Выполняете задания

    В том темпе, в котором вам удобно.

  3. Работаете с наставником

    Закрепляете знания и исправляете ошибки.

  4. Защищаете дипломную работу

    И дополняете ею своё портфолио.

Программа

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

  • 82 тематических модуля
  • 288 онлайн-уроков
    1. Введение.
    2. Основы Python: базовые структуры данных.
    3. Основы Python: циклы и условия.
    4. Основы Python: функции.
    5. Основы Python: классы и объекты.
    6. Основы Python: исключения.
    7. Библиотека NumPy. Часть 1.
    8. Библиотека NumPy. Часть 2.
    9. Библиотека pandas. Часть 1.
    10. Библиотека pandas. Часть 2.
    11. Визуализация данных с помощью matplotlib.
    12. Чтение и запись данных.
    13. Введение в SQL.
    14. Работа со строками.
    1. Основы статистики и теории вероятностей.
    1. Основные концепции Machine Learning (ML).
    2. Жизненный цикл ML-проекта.
    3. Регрессия.
    4. Классификация.
    5. Кластеризация
    6. Дополнительные техники.
    7. Знакомство с Kaggle.
    1. Базовые математические объекты и SymPy. Дроби и преобразования.
    2. Базовые математические объекты и SymPy. Необходимые функции и некоторые дополнительные объекты.
    3. Функции одной переменной, их свойства и графики.
    4. Интерполяция и полиномы.
    5. Аппроксимация и преобразования функций.
    6. Функции нескольких переменных, их свойства и графики.
    7. Линейные функции.
    8. Матрицы и координаты.
    9. Линейные уравнения.
    10. Производная функции одной переменной.
    11. Производная по направлению и градиент + частные производные.
    12. Линейная регрессия.
    13. Собственные векторы и значения. Определитель.
    14. Разложения матриц.
    1. Введение в нейронные сети.
    2. Обучение нейронных сетей.
    3. Нейронные сети на практике.
    4. Свёрточные нейросети для задачи классификации изображений.
    5. Семантическая сегментация. Часть 1. Слабая локализация и полносвёрточные нейросети (FCN).
    6. Семантическая сегментация. Часть 2. Продвинутые архитектуры FCN для семантической сегментации.
    7. Детектирование объектов.
    8. От дискриминативных моделей к генеративным. Style transfer.
    9. Генеративные состязательные сети.
    10. Введение в NLP.
    11. NLP на нейросетях. Рекуррентные нейросети, классификация текстов.
    12. NLP на нейросетях. Языковые модели, Attention, Transformer.
    13. Обучение с подкреплением. Q-Learning.
    14. Обучение с подкреплением. Deep Q-Learning.
    15. Ускорение и оптимизация нейронных сетей.
    16. Внедрение в DL моделей в Production.
    17. Рекомендательные системы.
    18. Вывод моделей машинного обучения в production, post production и мониторинг.
    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.

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

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

Алексей
Мастов

Deep Learning инженер в NVIDIA

Лидия
Храмова

Team Lead Data Scientist группы бизнес-моделирования в QIWI

Ваше резюме после обучения

Аделина Ветрова
  • Должность Специалист по машинному обучению
  • Зарплата от: 80 000 ₽

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% для первых
20 студентов
  • Рассрочка без первого взноса 2 458 ₽
  • Стоимость
    со скидкой 59 000 ₽
  • Первоначальная
    стоимость 98 333 ₽