Name: Data Science and Machine Learning: Fundamentals
SKU: DSML
Availability: InStock

Про курс

У світі існує величезна кількість інформації. Аби мати користь від цих даних, їх потрібно впорядкувати та проаналізувати. Data Science вивчає методи обробки даних, а також статистичні методи й методи проектування та розробки баз даних. На основі отриманої інформації створюються нейронні мережі та смарт-системи.

Data Science вважається перспективним, затребуваним і високооплачуваним напрямком. Принадності додається й від того факту, що необов’язково бути програмістом, аби будувати кар’єру в галузі роботи з даними: зазвичай Data Scientist зацікавлює математиків та аналітиків.

Аудиторія

Ви — бізнес-аналітик, який хоче розвиватися в новому напрямку
Ви хочете змінити сферу діяльності, перевчитися й отримати перспективну IT-професію
Ви — Data Analyst, який прагне підвищити кваліфікацію
Ви шукаєте напрямок в IT без програмування

Чому ви навчитеся?

Аудиторія

Бізнес-аналітики, які хочуть розвиватися в новому напрямку
Ті, хто хоче змінити сферу діяльності й отримати IT-професію
Data-аналітики, які прагнуть підвищити кваліфікацію
Ті, хто шукає напрямок в IT без програмування

Чому ви навчитеся?

Розбиратися в основних поняттях та завданнях Data Science
Використовувати сучасні методи машинного навчання
Застосовувати концепції збору, підготовки, дослідження та візуалізації даних
Обробляти й аналізувати великі обсяги даних

Детальніше про Data Science

Програма курсу:

Вступ в Data Science і Machine Learning
Базові поняття Big Data, Business Intelligence, Data Mining, Data Science, Machine Learning, Artificial Intelligence
Історія розвитку Data Science, сучасні перспективи
Хто такий Data Scientist, навички. Питання на співбесіді.
Огляд процесу Data Science проекту
Сценарії використання і застосування ML в сучасному світі
Огляд успішних проектів по Big Data і Machine Learning

Планування і підготовка роботи
Історичний огляд методологій ведення Data Science рішень
Детальний огляд сучасного Data Science процесу і його етапів
Команда і ролі фахівців в проектах Data Science
Огляд популярних фреймворків і інструментів для Data Science рішень
Workshop 1: Етап Business Understanding
Основи роботи з системою контролю версій

Завантаження вихідних даних для аналізу в систему (ETL)
Data cleansing and transformation
Data Sampling and Quantization
Workshop 2: Підготовка даних для проекту
Підходи та методики для візуалізації даних
Практика: Візуалізація даних за допомогою Power BI і R

Теоретичний огляд проблеми та основних методів
Введення в штучні нейронні мережі для вирішення різних завдань
Процес створення реальних програмних моделей для прогнозування і класифікації
Оцінка точності навчених моделей, вибір кращої
Workshop 3: Створення моделей прогнозування та класифікації

Теоретичний огляд проблеми та основних методів
Процес створення реальних програмних моделей для кластеризації, рекомендаційних алгоритмів
Оцінка точності навчених моделей, вибір кращої
Введення в обробку природної мови
Workshop 4: Створення моделей кластеризації і рекомендаційних моделей