Спасибо за интерес
к нашим курсам.

В благодарность за это мы дарим скидку на любой курс, который Вы выберете. Укажите пожалуйста адрес на который мы можем отправить Вам промокод:

Спасибо!
Нет, спасибо
urlVn="courses"}

Курс Data Science в Киеве

На данном курсе будут рассмотрены различные задачи машинного обучения с точки зрения работы с данными и особенностей различных моделей машинного обучения:

В качестве языка будет использоваться Python, как самый распространенный на сегодняшний день язык для работы с машинным обучением и анализом данных.

Вы научитесь работать с pandas для работы с табличными данными, numpy для работы с векторными операциями, matplotlib для визуализации и jupyter для быстрого анализа и разработки.

Будут разобраны различные модели машинного обучения, особенности работы и области применения.

Структура курса

Длительность курса
13 занятий
Интенсивность
1 занятие
в неделю
Начало занятий
Июль
Место обучения
Киев

Курс преподает

  • Михаил Константинов
    Data Scientist в Eleks

    Более трех лет в Data Science и Deep Learning.

    Занимается распознаванием образов, обработкой текстов, анализом поведенческих факторов, архитектурами нейронных машинных переводчиков.

    Любит математику и физику, современную и академическую музыку. Кактусов не выращивает.

Программа курса

Курс поможет вам:

  • научиться работать с данными, строить модели машинного обучения
  • разобраться с визуализацией различных структур данных
  • научиться строить предиктивные модели для анализа различных процессов

Цель курса:

Получить общее представление об анализе данных и машинном обучении

Понять предназначение различных моделей машинного обучения и областей использования

Узнать стандартные решения широко распространенных задач анализа данных

Требования:

  • Знание Python или готовность быстро разобраться.
  • Знание линейной алгебры, математического анализа, теории вероятности и статистики на уровне первого курса технического вуза.

Чего НЕ будет в данном курсе:

  • BigData — это отдельная область более техническая и инженерная, в которой можно будет детальнее разобраться после окончания курса.
1
Hello Python
1.1
Синтаксис языка
  • Типы (объекты)
  • Циклы и условные операторы
  • Функции
  • Классы
1.2
Работа с библиотеками
  • Numpy
  • Pandas
2
Hello Math
  • Нотации
  • Операции
  • Введение в Математический Анализ
  • Теория Вероятностей
  • Основы Статистики
  • Линейная Алгебра
3
Работа с данными
  • Табличные данные
  • Построение графиков
  • Визуализация
4
Введение в Машинное Обучение
4.1
Обучение с учителем
  • Регрессия
  • Классификация
  • Современные задачи
4.2
Обучение без учителя
5
Регрессия
  • Линейная регрессия
  • Оптимизация
6
Обобщенная регрессия
  • Полиномиальная регрессия
  • Мультиномиальная регрессия
  • Логистическая регрессия
7
Нейронные Сети
  • Однослойная нейронная сеть
  • Многослойная нейронная сеть
  • Архитектуры нейронных сетей
8
Обучение
8.1
Метод обратного распространения ошибки (backpropagation)
8.2
Контроль обучения
  • Метапареметры
  • Кросс-валидация
  • Регуляризация
9
Модели
  • Деревья принятия решений
  • SVM
  • Анализ Качества Моделей
  • Метрики
10
Введение в Deep Learning: Изображения
  • Фильтры и Свертки
  • Сверточные нейронные сети
11
Введение в Deep Learning: Текст
11.1
Обработка текстов
  • Bag of words
  • tf-idf
  • word2vec
  • Обработка и классификация текстов
11.2
Последовательности
  • Ряды, функции, последовательности, тексты
  • Рекуррентная нейронная сеть
  • LSTM
12
Обучение без учителя
  • Кластеризация
  • Понижение и повышение размерностей
13
Финальный проект
  • Постановка задачи
  • Препроцессинг
  • Создание модели
  • Оценка качества
  • Презентация результатов
Вручение сертификата
Получить вступительный тест
Для записи на этот курс необходимо выполнить тест!

Преимущества школы

Офисы в центре города с удобной транспортной развязкой
Учебные классы, оборудованные компьютерами и современной техникой
Удобное время обучения
Вовлечение в IT-мероприятия города

Наши преподаватели и студенты работают в

  • VetraMedia
  • DataArt
  • Ciklum
  • Netocrat Communications
  • Intersog
  • AB Soft
  • softserve
  • epam
  • Snapchat
Факторы успеха
Мотивация студента
При должной мотивации, вы будете ответственнее подходить к процессу обучения, что позволит успешно завершить курс.
Посещение занятий
Регулярное посещение занятий позволит системно проходить обучение, не упуская важных тем для изучения.
Домашние задания
Выполняя домашние задания, вы практикуетесь, получая оценку ваших работ и практические советы от преподавателя.
Самостоятельное обучение
Для достижения успеха по окончанию обучения, нужно около 200 часов провести за самостоятельным изучением материалов.

Регистрация на курс Data Science

* Поля обязательны для заполнения.
Регистрация успешно завершена
С Вами свяжутся в ближайшее время.
Оставить заявку
Если у вас остались вопросы, запишитесь на бесплатную консультацию, и наш администратор Артур Иваненко ответит на все интересующие вас вопросы.