by

Эксклюзивный партнер

SkillFactory в Беларуси

by

Каталог

Каталог Аналитика и Data Science Профессия Data Scientist

Полный курс по Data Science c нуля

Получить доступ

→ Работайте удаленно из любой точки мира
→ Специализируйтесь в узкой нише Data Science
→ Получите доступ ко всем льготам для айтишников

Data Scientist

Профессия

Освойте самую востребованную профессию в анализе данных

Длительность:

24 мес

Уровень:

с нуля

Старт:

16 октября

Это специалист, который обрабатывает большие объемы неструктурированной информации и превращает ее в упорядоченный набор данных.
Дата-сайентист может

Кто такой Data Scientist

Предсказать, окупится ли новый проект
Оценить будущий спрос на товары и услуги
Улучшить системы рекомендаций в соцсетях и сервисах
Создать приборы для автоматической постановки диагноза пациенту
Усовершенствовать транспортное движение
Построить систему распознавания лиц

Дата-сайентист использует методы науки о данных (Data Science), строит и тестирует математические модели. Он находит закономерности, дает прогнозы и предлагает лучшие решения в разных сферах.

Как Data Science применяется в жизни

Специалисты подразделения Google AI, занимающегося искусственным интеллектом, создали модель глубокого обучения (Deep Learning) для распознавания кожных болезней. DL-модель может диагностировать 26 болезней кожи с точностью 97%.

Компания Frontier Development Lab вместе со студентами из разных стран и специалистами Nvidia, разработала алгоритм, способный создать 3D-модель астероида за четыре дня. Этот метод используют сегодня для моделирования формы астероидов в реальном времени. А NASA применяет алгоритм NASA визуализации данных о космическом мусоре.

Компания Google создала приложение, которое позволяет слабовидящим и слепым узнавать об объектах рядом с ними — оно в реальном времени распознает на изображении с камеры объекты и передает информацию пользователю. Еще оно умеет зачитывать текст, знаки, штрих-коды и другие визуальные объекты.

Распознавание кожных заболеваний

Алгоритм моделирования астероидов

Распознавание объектов для слабовидящих и слепых

По данным Всемирного экономического форума, работа в Data Science занимает первое место в рейтинге профессий с самым большим спросом на рынке до 2025 года.

Количество вакансий в Data Science выросло на 433% за 3 года

Ритейл, киберспорт, путешествия, образование, медицина — грамотный Data Scientist нужен практически в любой индустрии, а спрос значительно превышает предложение.

03

04

7 из 10 работодателей нанимают людей с опытом

Вы получите реальный опыт

Это формат, где студенты решают реальные задачи бизнеса. У вас будет опыт, которого так не хватает выпускникам онлайн-школ. Вместе с ментором вы решите кейс для компании-партнера — и получите фидбэк от потенциального работодателя.

Реальный опыт даст студентам:

Реальные проекты в портфолио

Участие в стажировках и хакатонах

Шанс получить оффер от компании-заказчика

Опыт работы над проектом в команде

01

02

Поэтому мы придумали Фэктори

Модель распознавания жестов

Разработаете систему принятия решений, которая в режиме реального времени сможет реконструировать положение согнутых пальцев руки здорового пользователя. Преуспевшие студенты продолжат сотрудничество с компанией.

Python

Sklearn

Pandas

EDA

Keras

Анализ и сортировка данных

Вам предоставят изображения транспортных средств различных типов и с разных ракурсов. С помощью дескрипторов вы разобьете картинки на кластеры и интерпретируете каждый из них. В результате получите кейс в портфолио и обратную связь от эксперта из компании.

Pandas

ML

Numpy

Intellivision

Новичок

Программа расчитана на обучение науке о данных с нуля. Вы начнете с SQL и Python. Получите необходимую теорию по математике, статистике и теории вероятности и отработаете ее на практике. А через год легко сможете решать задачи.

Программист

Научитесь работать с моделями машинного обучения, анализировать данные на Python и прокачаете аналитическое мышление.

Вам подойдет этот курс, если вы

Аналитик

Начнете анализировать данные на продвинутом уровне, автоматизировать процесс сбора данных. Научитесь обучать модели и делать прогнозы, а также применять это для решения бизнес-задач.

Кем вы станете

После базового курса вы сможете выбрать более узкую специализацию в Data Science — ML Engineer, CV Engineer или NLP Engineer

— Разработаете модель предсказания кредитного рейтинга
— Решите задачу классификации спама СМС-сообщений
— Разработаете систему рекомендаций подходящих товаров при покупке
— Построите модель для увеличения продаж в розничном бизнесе
— Создадите изображения по текстовому описанию с помощью нейросети DALL-E

ML Engineer — Разработчик машинного обучения

— Научитесь решать все базовые задачи
в сфере Computer Vision
— Приобретёте знание реального флоу работы
с моделями CV, актуальных подходов и продвинутых инструментов, необходимых для создания CV-сервисов
— В итоговом проекте создадите виртуального коуча, способного оценивать правильность выполнения упражнений на видео

CV Engineer — Специалист
по компьютерному зрению

Эффективный формат онлайн-обучения

Занимайтесь в своем темпе

Наши курсы ориентированы на тех, кто работает и хочет сам регулировать нагрузку. Занимайтесь без отрыва от работы и выделяйте на учебу столько времени, сколько есть прямо сейчас (15 минут или 2 часа в день).

20% обучения — интересная и важная теория

Теория разбита на короткие блоки, после которых обязательно идет практика.

Вы смотрите короткие видео, изучаете текстовые материалы и приступаете к заданиям, чтобы закрепить знания.

80% обучения — практика в разных форматах

Для развития навыков у нас есть 5 видов практики: тренажеры, тесты, домашние задания, проекты и хакатоны. Разнообразие форматов помогает усваивать знания максимально эффективно.

Менторы и координаторы помогут дойти до конца

Все менторы — опытные практики из IT-индустрии. Они дают качественную обратную связь на задания, отвечают на вопросы и помогают студенту достичь своих целей во время обучения. Выпускники оценивают менторскую поддержку на 9,1 балла из 10.

Координаторы постоянно на связи, чтобы решить любой организационный вопрос. Их задача — мотивировать студентов и помочь пройти курс до конца.

Фокус на подготовке к трудоустройству

Вы тренируетесь на кейсах компаний, а также делаете проекты для реальных заказчиков в команде. Помогаем оформить резюме и подготовиться к собеседованиям.

Лучших студентов рекомендуем по накопленной базе работодателей. На стажировках в компаниях-партнерах вы отработаете навыки и пообщаетесь с потенциальными работодателями.

Не важно, сколько вам лет и какой у вас опыт, — вы справитесь.

Просто следуйте программе обучения.

БАЗА

На этом этапе вы изучите основы программирования на Python, научитесь предобрабатывать и анализировать данные, а также познакомитесь с основными задачами дата-сайентиста.

Программа курса
«Профессия Data Science»

Введение

1 неделя

Вы сможете сформулировать для себя реальные цели обучения, узнаете, в чем ценность DS для бизнеса, познакомитесь с основными задачами дата-сайентиста и разберетесь, как строится разработка любого DS-проекта.

• INTRO-1. Как учиться эффективно — онбординг в обучение
• INTRO-2. Обзор профессии. Типы задач в Data Science. Этапы и подходы к разработке Data Science проекта

Проектирование разработки

5 недель

Вы научитесь работать с основными типами данных с помощью языка Python и сможете применять в повседневной работе циклические конструкции, условные операторы и функции.

• PYTHON-1. Основы Python
• PYTHON-2. Погружение в типы данных
• PYTHON-3. Условные операторы
• PYTHON-4. Циклы
• PYTHON-5. Функции и функциональное программирование
• PYTHON-6. Практика
• PYTHON-7. Гид по стилю в среде Python (бонусный)

Работа с данными

8 недель

На этом этапе вы овладеете базовыми навыками работы с данными: научитесь подготавливать, очищать и преобразовывать данные так, чтобы они были пригодны для анализа. Кстати, об анализе: вы будете анализировать данные с помощью популярных библиотек Matplotlib, Seaborn, Plotly.

• PYTHON-8. Инструменты Data Science
• PYTHON-9. Библиотека NumPy
• PYTHON-10. Введение в Pandas
• PYTHON-11. Базовые приемы работы с данными в Pandas
• PYTHON-12. Продвинутые приемы работы с данными в Pandas
• PYTHON-13. Очистка данных
• PYTHON-14. Визуализация данных
• PYTHON-15. Принципы ООП в Python и отладка кода (дополнительный модуль)
• Проект 1. Аналитика датасета по закрытым вопросам

Подгрузка данных

6 недель

Вы сможете выгружать данные из разных форматов и источников. А поможет вам в этом SQL — язык структурированных запросов. Вы научитесь использовать агрегатные функции, соединения таблиц и сложные объединения.

• PYTHON-16. Как выгружать данные из файлов разных форматов
• PYTHON-17. Получение данных из веб-источников и API
• SQL-0. Привет, SQL!
• SQL-1. Основы SQL
• SQL-2. Агрегатные функции
• SQL-3. Соединение таблиц
• SQL-4. Сложные объединения
• Проект 2. Подгрузка новых данных. Уточнение анализа

Статистический анализ данных

7 недель

Разведывательный анализ данных (EDA) — вот, что окажется в центре вашего внимания. Вы познакомитесь со всеми этапами такого анализа и научитесь проводить его с помощью библиотек Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Кроме того, вам удастся поработать на Kaggle, популярном сервисе по участию в соревнованиях.

• EDA-1. Введение в разведывательный анализ данных. Алгоритмы и методы EDA
• EDA-2. Математическая статистика в контексте EDA. Типы признаков
• EDA-3. Проектирование признаков (Feature Engineering)
• EDA-4. Статистический анализ данных на Питоне
• EDA-5. Статистический анализ данных на Питоне. Часть 2
• EDA-6. Проектирование экспериментов
• EDA-7. Kaggle площадка
• Проект 2

Введение в машинное обучение

9 недель

Вы познакомитесь с ML-библиотеками для моделирования зависимостей в данных. Вы сможете обучить основные виды ML-моделей, провести валидацию, интерпретировать результаты работы и выбрать важные признаки (feature importance).

• ML-1. Теория машинного обучения
• ML-2. Обучение с учителем: Регрессия
• ML-3. Обучение с учителем: Классификация
• ML-4. Обучение без учителя: Кластеризация и техники понижение размерности
• ML-5. Валидация данных и оценка модели
• ML-6. Отбор и селекция признаков
• ML-7. Оптимизация гиперпараметров модели
• ML-8. ML Cookbook
• Проект 3. Задача классификации

ОСНОВНОЙ БЛОК

Линейная алгебра, математический анализ, дискретная математика — звучит страшно, но не пугайтесь: разберем все эти предметы и научим с ними работать! На втором этапе вы погрузитесь в математику и основы машинного обучения, узнаете больше о профессиях DS, а также благодаря профориентации выберите трек обучения второго года.

Математика и машинное обучение. Часть 1

6 недель

Вы сможете решать практические задачи с помощью ручного счета и Python (векторные и матричные вычисления, работа с множествами, исследование функций с помощью дифференциального анализа).

• MATH&ML-1. Линейная алгебра в контексте Линейных методов. Часть 1
• MATH&ML-2. Линейная алгебра в контексте Линейных методов. Часть 2
• MATH&ML-3. Математический анализ в контексте задачи оптимизации Часть 1
• MATH&ML-4. Математический анализ в контексте задачи оптимизации. Часть 2
• MATH&ML-5. Математический анализ в контексте задачи оптимизации. Часть 3
• Проект 4. Задача регрессии

Математика и машинное обучение. Часть 2

6 недель

Вы познакомитесь с основными понятиями теории вероятности и математической статистики, алгоритмами кластеризации, а также научитесь оценивать качество произведенной кластеризации и представлять результаты в графическом виде.

• MATH&ML-6. Теория вероятностей в контексте Наивного Байесовского классификатора
• MATH&ML-7. Алгоритмы на основе Деревьев решений
• MATH&ML-8. Бустинг & Стекинг
• MATH&ML-9. Кластеризация и техники понижение размерности. Часть 1
• MATH&ML-10. Кластеризация и техники понижение размерности. Часть 2
• Проект 5. Ансамблевые методы

ML в бизнесе

8 недель

Вы научитесь использовать ML-библиотеки для решения задачи временных рядов и рекомендательных систем. Вы сможете обучить ML-модель и провести её валидацию, а также создать работающий прототип и запустить модель в веб-интерфейсе. А ещё получите навыки A/B-тестирования, чтобы можно было оценить модель.

• MATH&ML-11. Временные ряды. Часть 1
• MATH&ML-12. Временные ряды. Часть 2
• MATH&ML-13. Рекомендательные системы. Часть 1
• MATH&ML-14. Рекомендательные системы. Часть 2
• PROD-1. Подготовка модели к Production
• PROD-2. ПрототипStreamlit+Heroku
• PROD-3. Бизнес понимание. Кейс
• Проект 6. Тема на выбор: Временные ряды или Рекомендательные системы

УРОВЕНЬ PRO

На третьем этапе вы познакомитесь с одним из методов машинного обучения — глубоким обучением (DL). А также вас ждет полноценный блок выбранной специализации: вы можете освоить навыки машинного обучения (ML), познакомиться с рутиной CV (компьютерного зрения) или прокачаться в NLP*, обработке естественного языка.

При выборе CV или ML вы сможете пройти курс по NLP без менторской поддержки бесплатно

Второй год обучения - 3 специализации на выбор

Профориентация

10 недель

ML, CV или NLP: на этом этапе вам наконец предстоит сделать выбор, по какому пути двигаться дальше. Мы расскажем о каждой специализации и предложим решить несколько практических задач, чтобы вам было проще определиться.

Трек ML - Engineer

29 недель

В ML-треке вы научитесь решать углубленные задачи машинного обучения, овладеете компетенциями дата-инженера, отточите навык работы с библиотеками Python. Также вы научитесь создавать MVP (минимально жизнеспособную версию продукта), узнаете все тонкости вывода ML-модели в продакшн и узнаете, как работают ML-инженеры в реальной жизни.

• Введение в Deep Learning
• Основы Data Engineering
• Дополнительные главы Python и ML
• Экономическая оценка эффектов и разработка MVP
• ML в Production
• Углубленное изучение ML-разработки и выпускной проект по выбранной теме

Трек CV - Engineer

29 недель

На CV-треке вы научитесь решать такие задачи компьютерного зрения, как классификация изображений, сегментация и детекция, генерация и стилизация картинок, восстановление и повышение качества фотографий. Кроме того, вы узнаете, как выкатывать нейронные сети в продакшн.

• Введение в Deep Learning
• Основы Data Engineering
• Дополнительные главы Python и ML
• Экономическая оценка эффектов и разработка MVP
• ML в Production
• Углубленное изучение ML-разработки и выпускной проект по выбранной теме

Deep Learning и нейронные сети

БОНУС

Где применяются нейросети? Как обучить нейронную сеть? Что такое Deep Learning? Ответы на эти вопросы вы узнаете в бонусном разделе DL.

Введение в Data Engineering

БОНУС

Вы узнаете, в чём различие ролей дата-сайентиста и дата-инженера, какими инструментами пользуется последний в своей работе, какие задачи ежедневно решает. Слова «снежинка», «звезда» и «озеро» обретут новые значения :)