Обучение

Новости

О центре

Трудоустройство

Консультация

Консультируем с 8:30 до 19:00 Выходной: суббота и воскресенье

ул. М.Горького, 1

Написать сообщение

Все контакты

Сообщение об ошибке

Основы Data Science

Профессиональный курс (для трудоустройства)

Интересуетесь работой с данными и хотите получить престижную профессию? Курс по основам Data Science в Гродно поможет получить все необходимые навыки и умения.

Вы поймёте науку о данных, научитесь анализировать информацию, находить зависимости, приобретете знания в областях Data Mining, Big Data, Machine Learning. Это позволит претендовать на должность Data Scientist в IT-компании. Средняя зарплата у данных специалистов на белорусском рынке труда – свыше 2400 долларов.

Технические требования к оборудованию слушателей дистанционных курсов.

Описание курса

Условия отбора

Зачисление на курс производится на конкурсной основе по результатам:

выполнения тестового задания от тренера на знание основ математики и языка программирования Python;
теста по английскому языку.

Для кого этот курс

для разработчиков, желающих расширить свои компетенции;
для студентов старших курсов и выпускников технических ВУЗов, которые хотят повысить свои шансы на трудоустройство;
для аспирантов и соискателей научных степеней, желающих приобрести навыки решения научных и исследовательских задач с использованием современных информационных технологий;
для специалистов, желающих повысить свою компетенцию в области Data Mining, Big Data и Data Science.

Необходимая подготовка

базовые знания и умения программирования на языке Python или других объектно-ориентированных языках;
базовые знания математики: пределы, дифференциальное и интегральное исчисление.

Для чего этот курс

Курс предназначен для:

приобретения знаний в областях Machine Learning/Data Science/Big Data;
формирования устойчивых навыков и умений по постановке и решению задач с использованием математической статистики и современных информационных технологий;
приобретения навыков для решения бизнес задач при помощи технологий глубокого обучения и нейронных сетей;
приобретения умений интерпретировать данные на язык бизнеса и доносить инсайты до бизнес пользователей.

Вы будете уметь

осуществлять сбор, очистку и исследование исходных данных;
находить инсайты и зависимости в структурированных и неструктурированных данных;
доносить ключевые идеи с языка данных на язык бизнеса;
графически интерпретировать данные;
осуществлять постановку и решение задач машинного обучения согласно современному стандарту CRISP-DM;
применять основные алгоритмы машинного обучения и математического программирования;
пользоваться основными инструментами и фреймворками для решения задач в области Data Science;
разбираться в современных архитектурах нейронных сетей и применять их на практике для решения задач;
решать задачи Computer Vision / Natural Language Processing / Time Series;
применять концепции и инструменты при работе с большими объемами данных;
разрабатывать высококачественные рекомендательные системы;
определять и выяснять требования для проектов у заказчика;
определять качество построенных решений на реальных данных;
разворачивать модели в production.

Внимание:

Доступ к электронным материалам открыт в период прохождения курса. По окончании курса доступ закрывается.

Программа курса

Введение в Data Science
Обзор Data Science и Machine Learning.
Инструменты для работы:
• Что изучим в процессе курса.
• Python / Anaconda / Jupyter Notebook - установка, быстрый экскурс по языку (синтаксис, типы данных и конструкции, функции, GIL и ООП).
• Знакомства с менеджерами пакетов (pip, conda). Введение в понятия репозитория. Введение в понятия сборки пакета.
• Работа с инструментами контроля версий Git.
Numpy - введение в библиотеку. Линейная алгебра / Статистика.
Pandas - введение в библиотеку. Получение и обработка данных.
• Чтение данных.
• Обработка данных.
• Сохранение данных для последующей работы.
Базовый эксплоративный анализ и визуализация данных.
• Базовые статистики.
• Распределение данных.
• Базовая визуализация данных.
Методология работы в области DS - CRISP- DM.
Математические основы для Data Science
Понятия линейной алгебры. Пределы, производные, интегрирование, матрицы.
Понятия математической статистики и теории вероятностей.
Тензоры и операции над тензорами.
Реализация математических вычислений в Python.
Формулировка и проверка гипотез: теория и практика.
Визуализация данных в Python.
Введение в машинное обучение Часть 1
Классы решаемых задач в машинном обучении.
Обзор и классификация алгоритмов в машинном обучении.
Supervised Learning / обучение с учителем:
• Линейная регрессия.
• Нелинейная регрессия.
• Логистическая регрессия.
• Метод опорных векторов.
• Деревья решений.
• Метод опорных векторов.
Feature Engineering и углубленная обработка данных.
Переобучение моделей. Регуляризация.
Бустинг. Градиентный бустинг и ансамбли моделей.
Проверка качества моделей. Метрики качества для алгоритмов регрессии и метрики качества для алгоритмов классификации.
Библиотека XGboost / CatBoost.
Автоматический поиск алгоритмов.
Введение в машинное обучение Часть 2
Unsupervised Learning / Обучение без учителя:
• Метод k-ближайших соседей и EM алгоритм.
• Кластеризация. Иерархическая кластеризация. DBSCAN.
• Affinity Propagation.
• Задача декомпозиции. Алгоритмы SVD / ALS / PCA / T-SNE / NMF.
• Алгоритмы понижения размерности.
• Алгоритм SVM (Support Vector Machine).
Углубленный Feature Engineering.
Проблемы качества и размерности данных.
Методы уменьшения размерности данных.
Спрямляющие пространства.
Поиск аномалий в данных.
Углубленный статистический анализ данных.
Методы декомпозиции.
Выводы на основе статистических данных.
Оценка и улучшение качества модели (GridSearchCV, различные стратегии kfold).
Объединение алгоритмов в цепочки и конвейеры (например Pipeline).
Рекомендательные Системы
Введение в рекомендательные системы.
Типы рекомендательных систем.
Рекомендации на основе содержания.
Коллаборативная фильтрация.
Рекомендации на основе скрытых факторов.
Гибридные рекомендательные системы.
Рекомендательные системы в production.
Проверка качества рекомендаций.
Обработка естественного языка. Natural Language Processing
Введение в обработку естественного языка.
Морфологический и синтаксический анализ языка.
Виды языковых моделей.
Векторная модель и методы снижения размерности. Информационный поиск.
Представление языка для обучения моделей в задачах NLP.
Языковые модели. Счетные языковые модели и вероятностные языковые модели.
Извлечение информации. Именованные сущности, отношения, факты, события.
Генерация текста.
Сбор, обработка и хранение текстовой информации для задач Machine Learning.
Основы глубокого обучения. Нейронные сети
Понятия нейронной сети.
Персептрон. Многослойная нейронная сеть.
Функции активации. Функции потерь. Прямое и обратное распространение ошибки.
Градиент. Стохастический градиентный спуск.
Инициализация весов для нейронных сетей. Виды инициализаций.
Применение фреймворка TensorFlow / Keras для построения и обучения нейронных сетей.
Методы оптимизации нейронных сетей. Борьба с переобучением.
Обзор ключевых архитектур для нейронных сетей:
Цепи Маркова.
Обзор внутренней структуры нейронной сети
Работа с большими данными
Хранение и обработка больших данных.
Фреймворк Spark для работы с большими массивами данных.
Хранение данных в облаке.
Использование PySpark для обработки больших данных.
Обзор фреймворка Dask для работы с большими данными.
Машинное зрение в задачах машинного обучения
Базовая теория машинного зрения.
Форматы данных, обработка данных для задач машинного зрения.
Обзор фреймворка OpenCV для работы с задачами машинного зрения. Введение в очистку изображений. Введение в работу с потоковым видео.
Работа с изображением на GPU.
Извлечение признаков из изображений, поиск по изображениям.
Задача сегментации изображений в машинном зрении.
Применение сверточных нейронных сетей для машинного зрения.
Применение сверточных нейронных сетей для задач сегментации и распознавания.
Генеративные конкурирующие сети (GAN).
Получение, хранение и обработка изображений для задач машинного зрения.
Временные ряды
Базовая теория временных рядов.
Элементарные алгоритмы обработки временных рядов.
Модели Arima/SaRIMA/ Sarimax и Garch для прогнозирования временных рядов.
Задача прогнозирования временных рядов на основе марковских моделей.
Использование рекуррентных нейронных сетей в задачах прогнозирования временных рядов.
Выявления аномалий во временных рядах.
Проверка качества предсказаний в задачах прогнозирования временных рядов.
Обзор готовых библиотек для прогнозирования временных рядов.
Подготовка моделей для интеграции
Введение в понятие Runtime.
Фреймворк onnx как универсальный инструмент для конвертации моделей.
Введение в понятие “оптимизация”. Квантование весов.
Введение в tflite.
Подведение итогов. Подход к реализации проектов в области Data Science
Требования к DS проектам.
Составление отчетов по исследованиям.
Общение с заказчиком и представление результатов.
Защита итогового проекта
Защита итогового проекта

Трудоустройство выпускников

IT-Academy не только обучает, но и помогает слушателям, нацеленным на результат, найти работу. Выпускники курса «Основы Data Science» участвуют в «Программе трудоустройства», с помощью которой можно получить заветную должность практически в любой IT-компании!

Преподаватели курса

Арсений Колосов

Опыт работы: с 2019 года

Специальность:
Разработка веб-приложений на Python

Сфера интересов: Data Science, Data Engineering, Data Analysis, Python, Algorithms
Узнать больше

Николай Кухальский

Специальность:Data Science

Опыт работы:c 2015 года

Сфера интересов: Python, MathCad, Mathlab, Wolfram, Statistica, SPSS, Computer vision, OpenCv, Keras, Machine, Learning, Deep Learning, Nltk, NLP, Fasttext, CUDA, Pytorch, SciPy, NumPy, SkyKit, Xgboost, CatBoost.

Профессиональный путь: В 2005 году окончил Военную академию Республики Беларусь по специальности «Инженер по телекоммуникациям, радиоконтроль и противодействие». В 2008 году прошел адъюнктуру этой же академии. С 2008 года занимался научной и исследовательской работой в центре пограничных исследований ГУО «Институт пограничной службы Республики Беларусь».

В 2010 году защитил диссертацию в УО «Военная академия Республики Беларусь» с присвоением ученой степени кандидат технических наук.

С 2018 года член государственного экспертного совета «Безопасность человека, общества и государства» Государственного комитета по науке и технологиям Республики Беларусь.

С 2019 года доцент кафедры ГУО «Институт пограничной службы Республики Беларусь». В июне 2020 года присвоено ученое звание доцент по специальности «Радиотехника и связь».

С августа 2020 года профессор кафедры ГУО «Институт пограничной службы Республики Беларусь». Профессиональная область: разработка, сопровождение, модернизации технических систем различного назначения. Анализ технологических процессов. Мною опубликовано более 20 научных работ, 5 учебных пособий.

С Июля 2021 года работаю в компании iTechArt в качестве Data scientist.

Особенности преподавания: Образовательный курс нацелен на приобретение слушателями знаний, умений и навыков, достаточных для самостоятельного улучшения различных процессов, протекающих в бизнес-среде, предприятиях и организациях, с дальнейшей возможностью выработки соответствующего решения или программного продукта, а также осуществления анализа технологических процессов и выработки необходимых рекомендаций.

Data Scientist – специалист по данным, занимающийся интеллектуальным анализом структурированных и неструктурированных данных. Использует статистику, машинное обучение и продвинутые методы предиктивной аналитики для решения ключевых бизнес-задач. Специалист по данным должен не только уметь анализировать полученную информацию, но и обладать отличными навыками программирования, уметь разрабатывать новые алгоритмы, обрабатывать большие объемы информации и иметь хорошее представление о той сфере, в которой он применяет свои знания.

Применение методологии Data Science в программном продукте позволяет значительно повысить его качество и эффективность, что приводит к увеличению прибыли и сокращению затрат организации. Поэтому руководители предприятия или организации готовы платить немалые деньги тем, кто является специалистом Data Science и умеет воплощать ее методологию в жизнь.

Для успешного освоения курса слушателям необходимо иметь знания высшей математики на уровне 1-2 курса технического или математического высшего учебного заведения, а также владеть начальными навыками программирования, преимущественно на языке Python.

Рубрика ХоббIT

Марат Мовламов

Специальность:Data Science

Опыт работы:с 2016 года

Сфера интересов: Профессиональная область связана с аналитикой и машинным и глубоким обучением.

Среди языков программирования и фреймворков использую: Python, C++, Swift, TensorFLow, Keras, PyTorch, Numpy, Pandas, Sklearn, Scipy, Cuda, OpenCV, nltk, XGboost, CatBoost, PyCaret, Flask, Docker, Faiis, Facebook Prophet, Gluonts, plotly, bash, SQL, Dask, PySpark.

Профессиональный путь: Высшее образование получил в Беларусском Государственном Экономическом Университете по специальности "Аналитик".

С 2016 года занимаюсь решением проблем в области аналитики и Data Science. На данный момент работаю Senior Machine Learning Engineer в крупной видеостриминговой компании в сфере Entertainment в отделе Анализа данных.

Data Scientist - современная молодая профессия, в которой пересекаются такие направления как программирование, анализ данных и математика. По данным Glassdoor, потребность в Data Scientist будет расти из года в года в среднем на 25%. Всё больше компаний (особенно крупных) понимают, что надо принимать решения не только исходя из личного опыта, но и исходя из данных.

Специалист по данным должен не только уметь применять алгоритмы машинного обучения, но отлично переводить полученные решения с языка данных на язык бизнеса, должен отлично понимать математический аппарат для анализа данных, а также обладать отличными навыками программирования.

Особенности преподавания: Курс "Основы Data Science" представляет с собой интенсив, который нацелен на приобретение практических навыков для решения задач машинного и глубокого обучения, а также того теоретического багажа знаний, который послужит стимулом для дальнейшего углубления в тему Data Science.

В процессе обучения мы познакомимся с практической стороной применения Data Science, разберем реальные задачи на реальных данных, построим несколько полноценных решений для разных сфер (Бизнес, Обработка видео, текста и прогнозирование).

При выпуске студент будет обладать всеми необходимыми знаниями, чтобы успешно искать возможности для реализации в разных сферах бизнеса, где принятие решений основанно на данных.

Для того, чтобы освоить материал курса, слушателям необходимо иметь знания в сфере высшей математики, а также знать базовый синтаксис языка программирования Python.

Арсений Колосов

Специальность:Разработка веб-приложений на Python

Опыт работы:с 2019 года

Сфера интересов: Data Science, Data Engineering, Data Analysis, Python, Algorithms.

Профессиональный путь: Окончил Школу Анализа Данных Яндекса, матфак ГрГУ и один курс магистратуры БГУ ФПМИ.

Профессиональная карьера:

Стажировка и работа в Azati (Data Science)
Работа в ITechArt (Data Science)
Преподаватель-семинарист в БГУИР, БГУ

Особенности преподавания: Обучение на практике. Необходимая теория. Подготовка к собеседованиям.

Отзывы на курс от выпускников Все отзывы

Евгения Ткаченко Минск 01.06.2021 Курс «Основы Data Science»

Вы откроете для себя целый новый мир

Это непростой курс, но от этого только интереснее. На занятиях дается много материала по разным темам и рассказывается о множестве технологий. Очень понравилось то, что теоретический материал сразу подкрепляется практикой.

Смотрите видеоотзыв выпускницы курса Data Science.

Продолжение Все отзывы

Анна Жуковец Минск 14.05.2021 Курс «Основы Data Science»

За наукой о данных будущее

Я выбрала этот курс, потому что уверена: за наукой о данных будущее. Курс составлен хорошо и полезен как новичкам в Data Science, так и тем, кто уже работает в отрасли. Приятно, что ты сама выбираешь, как тебе заниматься: онлайн или оффлайн.

Хотелось бы отметить поддержку 24/7 нашего тренера Николая Кухальского. Ваша помощь бесценна. Всем рекомендую пройти курс, особенно у Николая Геннадьевича. Огромное спасибо IT-Academy за новых друзей и полезные знания.

Смотрите видеоотзыв выпускницы курса Data Science.

Продолжение Все отзывы

Дмитрий Шахрай Минск 12.02.2020 Курс «Основы Data Science»

Программа обучения очень насыщенная

На курс по Data Science записался, поскольку начал интересоваться этой областью. До этого изучил язык программирования Python и думал, как можно его применить. Собственно, это и привело меня в IT-Academy. Прошёл отбор. Входные задания мне показались интересными, но не очень сложными. Наверное, потому что уже была база.

Продолжение Все отзывы

Андрей Щеглов Минск 12.02.2020 Курс «Основы Data Science»

Курс сложный, но дал много новых и полезных знаний

Продолжение Все отзывы

Евгения Ткаченко

Курс: Основы Data Science

Хочу сказать огромное спасибо тренеру курса Николаю Геннадьевичу, благодаря которому эти шесть месяцев прошли максимально продуктивно в спокойной дружелюбной атмосфере. Он искренне болеет за каждого студента. Его девиз – лучше можно, хуже нельзя – еще долго будет мотивировать студентов.

Всем советую курс по Data Science в IT-Academy – это сложно и интересно. Вы точно не пожалеете и откроете для себя целый новый мир науки о данных.

Смотрите видеоотзыв выпускницы курса Data Science:

Анна Жуковец

Курс: Основы Data Science

Смотрите видеоотзыв выпускницы курса Data Science:

Дмитрий Шахрай

Курс: Основы Data Science

А вот сама программа обучения – очень насыщенная, всё шло плотнячком, времени расслабляться не было. Но здесь нужно понимать, что Data Science – довольно широкая область и углубляться в ней можно бесконечно. На курсе мы получили основы, были интересные задания. Впечатления остались самые положительные.

Андрей Щеглов

Курс: Основы Data Science

Пришёл на курс с целью сменить сферу деятельности, связать свою карьеру с машинным обучением и Data Science. Образовательный центр ПВТ предлагает основательную программу обучения по Data Science. Увидел это и решил: почему бы не попробовать? Входные тесты дались нормально, у меня математическое образование, с программированием тоже дружу, поэтому особых проблем не возникло.

Курс в целом достаточно сложный, потребовал много усилий, но дал много новых и полезных знаний. В том числе и в программировании. Программа обучения полностью оправдала мои ожиданий. Теперь намерен искать работу в области Data Science и связать дальнейшую карьеру с этим направлением.