[Нетология] Data Scientist (Вячеслав Мурашкин)

Курс состоит из более чем 180 часов видео и домашних заданий от ведущих специалистов по Data Scientist компаний Mail.ru, Ivi и Avito.
Первые два набора уже удачно состоялись, и студенты вовсю погрузились в базовые алгоритмы ML, feature engineering, машинное зрение, Data Scientist в e-commerce, временные ряды и прогнозирование стоимости акций и других товаров. Их преподавателями стали эксперты из Yandex Data Factory, Rambler&Co, Сбербанк Технологии и теперь у вас появится возможность получить все необходимые знания и навыки для работы в области больших данных.
Программа занятий

• I
  Подготовительный блок
  12 ЧАСОВ
  Экспресс-обучение основным инструментам: Python 3, git, библиотеки numpy, pandas. Обзор основного математического аппарата: матричные операции, введение в статистику и проверку гипотез.
• II
  Введение в data science, основные инструменты
  12 ЧАСОВ
  Что такое data science, big data, как это работает и где применяется. Эксплоративный анализ и библиотеки визуализации данных. Обзор методов машинного обучения в бибилотеке scikit-learn.
• III
  Базовые алгоритмы и понятия машинного обучения
  18 ЧАСОВ
  Разбор основных задач и алгоритмов машинного обучения: деревья решений, метод k ближайших соседей, линейный классификатор и логистическая регрессия, кластеризация. Проверка точности модели. Проблема переобучения и борьба с ней: регуляризация, ансамблирование.
• IV
  Feature engineering
  9 ЧАСОВ
  Проблемы качества и размерности данных. Уменьшение размерности данных. Методы декомпозиции. Cпрямляющие пространства.
• V
  Рекомендательные системы
  21 ЧАС
  Введение в рекомендательные системы. Неперсонализированные рекомендации. Персонализированные рекомендации. Развитие рекомендательных систем.
• VI
  Распознавание изображений, машинное зрение
  27 ЧАСОВ
  Базовая теория. Обзор кейсов применения. Нейросети. Разбор реальных задач: рукописный ввод, детекция и сегментация объектов на изображении.
• VII
  Обработка естественного языка (NLP)
  24 ЧАСА
  Введение в обработку текста. Обзор существующих библиотек, их использование и доработка. Использование внешних ресурсов. Грязные тексты: что это такое и как с ними работать. Дистрибутивная семантика. Чатботы: разбор генерации текстов. Нейросети для NLP.
• VIII
  Анализ временных рядов, прогнозирование
  9 ЧАСОВ
  Временные ряды, модели ARMA/ARIMA. Сложные модели прогнозирования. Эксплоративный анализ временных рядов.
• IX
  Общение с заказчиком
  9 ЧАСОВ
  Проекты машинного обучения: как выявить требования и оценить проект. Составление отчетов по исследованиям. Мастер-класс по презентации результатов.
• X
  Data Science в маркетинге и e-commerce
  12 ЧАСОВ
  Цели, задачи, решения и критерии успешности применения Data Science. Маркетинг Data-Driven vs интуиция. Типы данных и примеры датасетов. Методы сбора из разных источников. Подготовка и обработка данных, извлечение смысла и визуализация. Разбор атрибуции маркетинговых расходов для увеличения дохода интернет-магазина.
• XI
  Дополнительные инструменты, среды
  12 ЧАСОВ
  Экосистема Google: BigQuery, Dataflow, Dataproc, Datalab и др. Коммерческие решения HP: Vertica, Haven, IDOL, коннекторы данных. Решения от Amazon (AWS). Хранение и обработка данных в Clickhouse.
• XII
  Дипломная работа
  60 ЧАСОВ
  Разработка и внедрение собственного ML-решения/проекта либо разработка предложенного нами кейса

Спойлер: Продажник