• Работать с SQL.
• Использовать Python и библиотеки.
• Проверять данные и определять проблемы.
• Строить модели машинного обучения.
• Применять математику для продуктивной работы с моделями данных, машинным обучением и нейронными сетями.
• Лидировать DS-проект.

• Понимать основные алгоритмы машинного обучения и практически их использовать для задач классификации и регрессии
• Анализировать данные и строить модели машинного обучения с помощью Python i R
• Делать качественные и интерактивные визуализации данных.

• Разбираться в основных понятиях и задачах Data Science
• Применять ключевые концепции сбора, подготовки, исследования и визуализации данных
• Использовать в работе современные методы машинного обучения
• Обрабатывать и анализировать большие данные

• Принимать правильные бизнес решения при помощи Data Science и Machine Learning
• Применять концепции сбора, подготовки, исследования и визуализации данных
• Использовать современные методы машинного обучения для решения задач прогнозирования и классификации данных
• Сегментировать большие объемы данных при помощи алгоритмов машинного обучения
• Работать с основными инструментами Data Science
• Строить системы машинного обучения на основе данных большого объема с использованием Big Data

• Применять теоретические и практические знания основ статистики по разрешению бизнес-задач.
• Работать с большими объёмами данных в Python, манипулировать данными.
• Визуализировать данные в Python, Tableau / Power BI
• Находить закономерности в большом массиве данных. Использовать эти закономерности для прогнозирования.
• Использовать методы машинного обучения по разрешению конкретных задач бизнеса

• Линейніе пространства
• Как наборы данных можно представить в виде множества векторов в многомерном векторном пространстве
• Типичные задачи в 2D и 3D пространствах
• Матрицы и для чего они нужны
• Применение линейной алгебры в алгоритмах SVM, линейной регрессии, сокращении размерности пространств
• Основы 3D/2D преобразований в задачах компьютерного зрения.

• Понимать основные алгоритмы машинного обучения и практически их использовать для задач классификации и регрессии;   
• Анализировать данные и строить модели машинного обучения с помощью Python i R;   
• Делать качественные и интерактивные визуализации данных.

• Разберётесь в направлениях сферы работы с данными.
• Узнаете обязательные навыки и инструментарий.
• Поймёте, как начать свою карьеру.

• Python.Изучение синтаксиса языка. Python DEVELOPER для web. Изучение основных технологий. Python for Data Science. Изучение передовых инструментов

• анализировать и структурировать образцы поведения,
• выявлять закономерности и отклонения от них,
• строить неочевидные взаимосвязи между данными.

Особо будет рассмотрен случай влияния нескольких факторов в совокупности для построения надежных моделей прогнозирования поведения.

• автоматизировать распознавание образцов поведения,
• строить эффективные алгоритмы в зависимости от требуемых характеристик,
• обрабатывать массивы информации и выдавать рекомендации за приемлемое время с заданной точностью.

Среди источников информации будут также рассмотрены реляционные и не реляционные СУБД, текстовые файлы, гипертекстовые документы, социальные сети.

Особенностью курса является максимально эффективная визуализация статистических выводов для эффективного принятия решений. По итогам курса каждый слушатель предоставит отчет о финальном проекте с помощью средств визуализации.

• Основами программирования на языке Python Как использовать пакеты в Python для анализа данных
• Как манипулировать данными и получать полезные инсайты с больших наборов данных
• Как чётко и ясно визуализировать данные. Как получать данные с разных источников (файлы, базы данных, API запросы)
• Как писать сложные SQL запросы
• Как чистить данные и выполнять предварительный анализ данных (EDA).

• Поймёте, какие есть профессии в сфере работы с данными.
• Сможете выбрать подходящий для себя трек развития карьеры.
• Узнаете, какие шаги нужно сделать для входа в новую профессию.

• Программировать на Python.
• Визуализировать данные.
• Работать с библиотеками и базами данных.
• Программировать на R.
• Применять нейронные сети для решения реальных задач.
• Создавать рекомендательные системы.

• Понимать математические термины.
• Работать с формулами и функциями.
• Разбираться в основах машинного обучения.
• Описывать прикладные задачи на языке математики.
• Автоматизировать решение задач.

• Как использовать машинное обучение для укрепления вашей организации
• Навыки, которые вам необходимы для лучшего понимания и управления командой данных для удовлетворения потребностей вашей организации
• Понимать значение кластеризации, компьютерного зрения, обработки естественного языка (НЛП), глубокого обучения
• Как выполнить базовый эксперимент по машинному обучению, понять, что такое машинное обучение и как интерпретировать его результаты
• Способы анализа и визуализации ваших данных с помощью инструментальных панелей
• Как использовать математические инструменты для интерпретации данных, понять статистическую значимость и как проводить A / B-тесты
• Понимание источников данных, которые ваша компания может использовать, как хранить эти данные и как писать базовые SQL-запросы для извлечения данных из базы данных.