Курсы - Data Scientist

What you will learn
Fundamental R programming skills
Statistical concepts such as probability, inference, and modeling and how to apply them in practice
Gain experience with the tidyverse, including data visualization with ggplot2 and data wrangling with dplyr
Become familiar with essential tools for practicing data scientists such as Unix/Linux, git and GitHub, and RStudio
Implement machine learning algorithms
In-depth knowledge of fundamental data science concepts through motivating real-world case studies

What you will learn
Learn about various tools used by Data Scientists and become experienced in using some of them like Jupyter notebooks.
Develop an understanding of the key steps involved in tackling a data science problem.
Learn to follow a methodology to think and work like a Data Scientist.
Write SQL to query databases and explore relational database concepts.
Complete hands-on labs and projects to apply their newly acquired skills and knowledge.

What you will learn
Understand Python language basics and how they apply to data science.
Practice iterative data science using Jupyter notebooks on IBM Cloud.
Analyze data using Python libraries like pandas and numpy.
Create stunning data visualizations with matplotlib, folium, and seaborn.
Build machine learning models using scipy and scikitlearn.
Demonstrate proficiency in solving real life data science problems.

Курс предназначен для разработчиков и администраторов, готовых освоить работу с базами данных
Цель курса — научить слушателя эффективно работать с любой базой данных (как реляционной, так и нереляционной) с помощью языка структурированных запросов SQL. Курс обеспечивает глубокое погружение в СУБД. После его прохождения вам не придется тушить пожары в результате неоптимально заложенных основ.
На курсе вы:

научитесь проектировать базы данных и создавать оптимальную структуру их хранения;
будете различать основные СУБД, которые могут пригодиться разработчику (PostgreSQL, MySQL, Redis, MongoDB, Cassandra и т. д.);
освоите синтаксис и особенности работы SQL, DDL, DML;
сможете оптимизировать медленные запросы и разбираться с некорректными SQL-запросами;
станете уверенней работать с индексами, научитесь оптимизировать, профилировать и обновлять базы данных.

Для кого этот курс:

для разработчиков, которые сталкиваются в своей работе с базами данных;
для тех, кто имеет опыт работы с СУБД от полугода и хочет глубже разобраться в устройстве всех внутренних процессов.

Высокая практическая ориентированность
Эффективное модульное обучение
Преподаватель − эксперт и профессионал с 20-летним опытом работы в отрасли
Авторская программа

Вы последовательно освоите современные инструменты анализа данных и сможете на профессиональном уровне создавать модели машинного обучения. Для закрепления навыков с каждым алгоритмом вы будете проводить полный pipeline работ от подготовки датасета до анализа результатов и подготовки к продакшену.Практики и знаний, которые вы получите, будет достаточно, чтобы самостоятельно решать задачи классического ML и претендовать на Junior+ и Middle позиции Data Scientist.
Карта курсов направления Data Science в OTUS
Проекты для портфолио
В течение курса вы выполните несколько проектов для портфолио и научитесь грамотно презентовать результаты своих работ, чтобы проходить собеседования. Для выпускного проекта вы можете взять один из предложенных преподавателем вариантов или реализовать свою идею.
Для кого этот курс?

Для начинающих аналитиков и Data Scientist’s. Курс поможет вам систематизировать и углубить свои знания. Вы сможете поэкспериментировать с подходами, разобрать рабочие кейсы и получить качественную обратную связь от экспертов.
Для разработчиков и специалистов других направлений, желающих сменить профессию и развиваться в области Data Science. Курс даст вам возможность собрать сильное портфолио и погрузиться в атмосферу реальных задач дата сайентиста.

Для обучения вам понадобится опыт Python на уровне написания собственных функций, а также знание мат.анализа, линейной алгебры, теории вероятностей и мат. статистики.
Сравнение с курсом Machine Learning. Advanced
Особенности курса

est Practices и тренды. Каждый запуск программа обновляется с учетом быстро меняющихся тенденций в Data Science. После обучения вы сразу сможете приступить к работе в реальных проектах.

Важные второстепенные навыки. В курс входят темы, которые обычно упускаются из внимания, но необходимы специалисту в повседневных задачах и очень ценятся работодателями: — построение систем для автоматического поиска аномалий;— прогнозирования временных рядов при помощи машинного обучения;— end-to-end pipelin’ы по работе с данными, готовые к внедрению в production.

Творческая атмосфера и условия, близкие к реальным рабочим процессам. Весь курс построен как симулятор рабочих будней дата сайентиста, где вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели в продакшн. В этом деле вам понадобятся любопытство, упорство и жажда нового опыта.

Вы научитесь применять математический анализ, линейную алгебру, теорию вероятности и статистику для задач анализа данных и машинного обучения.Вы разберетесь, как устроены разные модели и методы анализа, и сможете их правильно выбирать, улучшать и адаптировать.К концу курса вы будете уверенно владеть математическим аппаратом, который необходим, чтобы подняться на уровень специалиста Middle+ в Data Science.
Карта курсов направления Data Science в OTUS

Петр Лукьянченко о курсе «Математика для Data Science»

Для кого этот курс?
Для тех, кто хочет построить карьеру в Data Science.Для обучения достаточно школьных знаний.
Как использовать математику в Data Science?
Data Science построен на математических принципах. Именно поэтому уверенное знание математической базы - основное требование к Middle-специалистам. Именно они получают интересные задачи и высокие зарплаты — в среднем 190 тыс. рублей по данным из открытых источников на май 2020.
На курсе, помимо теоретической подготовки, вы будете заниматься проверкой статистических гипотез, исследованием признаков, научимся методам снижения размерности данных. В практической части курса будем строить рекомендательные системы, проводить А/Б тестирования и решать разнообразные задачи регрессии.
Как организована практика?

Интересные домашние задания, где придется самостоятельно находить решения без шаблонов и образцов

Каждую тему ведет преподаватель, который использует этот инструмент в работе. Он дополняет теорию личным опытом, разбирая проблемы и бизнес-кейсы

Для начала обучения не нужен Pytho

Занятия в формате живых вебинаров, а мы умеем увлекать и объяснять. Вы все поймете и полюбите математику!

Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами.
Вы расширите свой набор доступных для работы инструментов. При этом даже для таких тем, как Байесовские методы и обучение с подкреплением, которые обычно преподаются исключительно в виде теории, мы подобрали реальные рабочие кейсы из наших практик.
Отдельный модуль посвящен работе в production: настройке окружения, оптимизации кода, построению end-to-end пайплайнов и внедрению решений.
Карта курсов направления Data Science в OTUS
Особенный подход к практическим занятиям
Почти каждый такой вебинар проходит в формате Live coding, где преподаватель начинает с «чистого листа» — пустого Jupyter ноутбука, имея на руках лишь задачу и набор данных. Мы программируем, ошибаемся, обсуждаем, исправляем ошибки и получаем решение с нуля, чтобы вы видели реальный процесс работы с данными, а не стерильные готовые ноутбуки.
Разносторонние проектные заданияВ течение курса вы выполните несколько практических заданий для закрепления навыков по пройденным темам. Каждое такое задание представляет собой практический проект по анализу данных, который решает конкретную прикладную задачу машинного обучения.
Для кого этот курс?
Для аналитиков, программистов и дата сайентистов, практикующих машинное обучение. Курс поможет расширить свои возможности и продвинуться дальше по карьерному пути.
Сравнение с курсом Machine Learning. Professional
После прохождения курса вы сможете:

Настраивать окружение и писать production код, готовый к внедрению
Работать с AutoML подходами и понимать ограничения в их применении
Понимать и уметь применять Байесовские методы и обучение с подкреплением для соответствующих задач
Решать нестандартные проблемы, возникающие в рекомендательных системах, временных рядах и графах

Вы освоите принципы машинного обучения в области компьютерного зрения и сможете решать индустриальные задачи, используя открытые датасеты. По ходу курса вы обучите нейросети для решения задач:

классификации и сегментации изображений
детекции объектов на изображениях
отслеживания объектов на видео
обработки трехмерных сцен
порождения изображений и атаки на обученные модели нейронных сетей

Также вы научитесь пользоваться основными фреймворками для создания нейросетей: PyTorch, TensorFlow и Keras. Карта курсов направления Data Science в OTUS
Для кого этот курс?
Для специалистов в сфере Machine Learning, которые:

Хотят специализироваться на Компьютерном зрении
Уже используют практики Deep Learning и хотят расширить и систематизировать знания

Курс позволит переключиться с классических задач машинного обучения, таких как кредитный скоринг, оптимизация CTR, детекция фрода и т.д, и попасть в развивающуюся область Data Science, где сейчас происходит все самое интересное и открываются новые карьерные горизонты. Обучение даст вам необходимые компетенции, чтобы претендовать на специальности, требующие профессиональных навыков разработки систем компьютерного зрения. В разных компаниях специальности называются по-разному, самые распространенные варианты: Deep learning engineer, Computer Vision Engineer, AI Research Engineer [Computer Vision, Machine Learning], программист-исследователь, Deep Learning/Computer Vision.
Чем курс отличается от других?

Подготовка к решению боевых задач: как запустить нейросеть в облаке и адаптировать модель под разные платформы

Углубленные знания и современные подходы к технологиям Computer visio

Завершенная проектная работа, которую можно добавить в портфолио

Веселые примеры, фонтан идей и вселенные киберпанка на кончиках пальцев — 4 месяца пролетят на одном дыхании!

Во время курса вы:

Будете работать с открытыми датасетами для различных задач Computer Visio
Разберетесь в принципах работы и вариантах сверточных и пулинг-слоев, в том числе, специфических для задач детекции и сегментации объектов.
Научитесь применять механизм внимания в сверточных сетях.
Узнаете, какие идеи лежат в основе современных сверточных сетей (MobileNet, ResNet, EfficientNet, etc.)
Разберетесь в DL-подходах к детекции объектов - изучите семейство R-CNN, реалтайм-детекторы: YOLO, SSD. А также реализуете детектор объектов самостоятельно.
Научитесь решать задачу Deep Metric Learning с помощью сиамских сетей. Узнаете, что такое triplet loss, angular loss.
Получите опыт в решении задачи сегментации изображений: U-Net, DeepLab.
Научитесь применять fine tuning, transfer learning и собирать собственные датасеты для задач object detection и Image segmentation, metric learning.
Будете работать с генеративными состязательными сетями. Поймете, как можно использовать GANs для состязательных атак и как реализовать super resolution GANs.
Научитесь запускать модели на сервере (tensorflow serving, TFX). Познакомитесь с фреймворками для оптимизации нейросетей для инференса на мобильных/embedded-устройствах: Tensorflow Lite, TensorRT.
Изучите архитектуры для определения Facial Landmarks: Cascade shape regression, Deep Alignment Network, Stacked Hourglass Network

Решение задач по сбору и анализу данных, возникающих в большинстве современных сервисов: от Алисы до Яндекс.Погоды.
Для кого
Для тех, кто хочет ставить задачи с помощью анализа данных, предлагать решения и оценивать их эффективность не только в синтетическом эксперименте, но и в реальных условиях.
Чему мы учим
Статистике, машинному обучению и работе с разными типами данных.
Где применять эти знания
Данные лежат в основе большинства современных сервисов и продуктов: от приложений по предсказанию погоды до беспилотных автомобилей. Data Scientist проводит эксперименты, строит метрики, умеет оптимизировать работу сервисов и понимает, где находятся их точки роста.

Повторим с вами необходимые области математики: теорию информации, теорию вероятности, линейную алгебру и основы анализа.
Изучим основные библиотеки и фреймворки для машинного обучения работы с нейронными сетями: от NumPy до TensorFlow.
Решим классические задачи глубокого обучения по всем основным направлениям: "Компьютерное зрение", "Обработка естественных языков", "Обучение с подкреплением", "Генеративные сети".

После прохождения курса вы:

Сможете пройти собеседование на должность Junior Deep Learning Engineer;
Научитесь решать задачи машинного обучения с помощью нейронных сетей, такие как: генерация рукописных цифр, самообучающийся бот для игры в крестики-нолики, классификация изображений и т. д.;
Будете знать теорию, необходимую для прохождения продвинутых курсов. Карта курсов направления Data Science в OTUS

Научитесь работать с нейронными сетями с использованием фреймворков PyTorch, Tensorflow, Keras

Изучите теорию и практику по таким важным направлениям Deep Learning, как Computer Vision, NLP, обучение с подкреплением

Самый современный материал про глубокое обучение

Программа подготовлена признанным экспертом по глубокому обучению

Кто такой Data Scientist?Data Science - это сфера, связанная с обучением "умных" моделей, которые учатся находить закономерности в данных и выявлять зависимости. Data Scientist - тот самый супергерой, который обучает эти модели и с их помощью делает полезные для бизнеса выводы и прогнозы.Что даст вам этот курс?Профессия Data Scientist - это плавное погружение в мир Data Science. В результате обучения вы познакомитесь со всеми необходимыми инструментами, чтобы стать востребованным специалистом. По итогу вы сможете выбрать наиболее интересное направление для дальнейшего развития: классический ML, нейронные сети, компьютерное зрение, NLP (Natural Language Processing), рекомендательные системы, графовые методы.Вы освоите:- математическую базу. Вы научитесь применять математический анализ, линейную алгебру, теорию вероятности и статистику для задач анализа данных и машинного обучения;- работу с Python и библиотеками NumPy, Sklearn, SciPy, Pandas, Matplotlib и многими другими;- построение моделей машинного обучения;- работу с нейронными сетями с использованием PyTorch и PyTorch Lightning;- основы работы с компьютерным зрением;- основы работы с NLP.На кого рассчитан курс?- Новички, кто хочет войти в сферу Data Science с нуля;- Аналитики;- Программисты на любых языках.

Аналитические приложения сегодня строятся на стыке инженерных практик (Software/Data Engineering), понимании специфики продуктов и бизнеса (Data/Business Analysis), быстрой и качественной поставки сервисов (DevOps).
Курс ставит своей целью научить слушателей собирать полноценные end-to-end аналитические решения с использованием самых актуальных и востребованных инструментов.
Материал будет изучаться как вглубь (например, принципы функционирования аналитических СУБД), так и вширь (сравнение инструментов, анализ сильных и слабых сторон решений).
Что нового я смогу узнать?
Для ролей Data Scientist, Data Analyst, Product Analyst:– Принципы работы аналитических СУБД и построение ELT-pipelines– Использование лучших практик моделирования хранилищ данных и витрин– Применение правильных архитектурных паттернов при построении решений
Для ролей Data Engineer, Backend Developer, DBA, System Administrator:
– Практики построения end-to-end аналитических решений– Прикладные навыки визуализации, дашбординга, BI– Фокус на создании ценности для бизнеса
В рамках курса будут рассмотрены:
– Навыки построения ELT-pipelines: Airflow, Nifi, Stitch– Принципы работы аналитических СУБД: Redshift, Greenplum, Clickhouse– Лучшие практики моделирования данных: dbt, Data Vault– Визуализация и BI: Metabase, Superset, DataLens – Продвинутая аналитика: KPI, Funnels, Marketing Attribution, Cohort, RFM– DevOps-практики: Continuous Integration, Github Actions
Ссылка на подробную программу курса

Вы освоите все необходимые навыки машинного обучения для потоковых данных и распределенной среды. В программу включены необходимые знания из областей Data Science и Data Engineering, которые позволят вам обрабатывать большие данные и писать распределенные алгоритмы на Spark.
Каждый модуль вы будете закреплять на практике, выполняя домашнее задание. В конце обучения вас ждет финальный проект, который позволит обобщить все полученные знания и пополнить портфолио. Он может быть выполнен в рамках рабочих задач на вашем датасете или быть учебным проектом, основанным на данных, предоставляемых OTUS.
Для кого этот курс?

Для специалистов по Машинному обучению или Software инженеров, которые хотят научиться работать с большими данными. Обычно такие задачи имеются в крупных IT-компаниях с масштабным цифровым продуктом.

Для Data Scientist, которые хотят усилить свой скиллсет инженерными навыками. Благодаря курсу вы будете уметь обрабатывать данные и самостоятельно выводить результаты ML-решений в продакшн.

Для обучения вам понадобятся базовые навыки работы с данными. Предлагаем посмотреть Карту курсов направления Data Science в OTUS, чтобы сориентироваться в необходимом уровне подготовки.
Вы научитесь:

Использовать стандартные инструменты ML-конвейеров в распределенной среде;
Разрабатывать собственные блоки для ML-конвейеров;
Адаптировать ML-алгоритмы к распределенной среде и инструментам big data;
Использовать Spark, SparkML, Spark Streaming;
Разрабатывать алгоритмы потоковой подготовки данных для машинного обучения;
Обеспечивать контроль качества на всех этапах движения ML-решений в промышленную эксплуатацию.

Востребованность специалистов
Навыки, которые вы освоите, максимально прикладные и перспективные. На рынке появляется все больше цифровых продуктов, для развития которых необходима работа с большими данными и потоковую обработку. Уже сейчас специалисты с таким пулом навыков и некоторым опытом работы могут претендовать на зарплату от 270 тыс. рублей.Другой тренд — автоматизация процессов обучения и валидации, напротив, в некотором роде обесценивает работу классического Data Scientist. Все движется к тому, что даже неспециалист сможет сделать fit-predict. Поэтому уже сейчас в цене те, кто имеют хотя бы поверхностные инженерные навыки.
Особенности курса

Много практики работы с данными

Широкий спектр навыков от распределенного ML и потоковой обработки данных до вывода в продакшн

Актуальные инструменты и технологии: Scala, Spark, Python, Docke

Живое общение с экспертами на вебинарах и в чате Slack

Вы научитесь решать задачи из реальных рабочих процессов, которые чаще всего в Data Science поручают начинающим специалистам. К концу курса вы соберете портфолио работ, пройдете подготовку к собеседованиям и карьерную консультацию.
Курс даст вам необходимый фундамент:

Python. Пройдете основы программирования и научитесь использовать этот наиболее актуальный язык в задачах Machine Learning.
Математика. Освоите ключевые разделы, чтобы понимать теоретические основы и принципы работы алгоритмов.
Классические модели Machine Learning. Соберете свои наборы данных и выполните полный пайплайн работ со своими первыми моделями.

Творческая атмосфера:
Во время обучения вы погрузитесь в условия, близкие к реальным рабочим процессам. Вам придется справляться с «грязными» данными, просчитывать свои действия наперед, экспериментировать с решениями и готовить модели к проду.
Обстановка на занятиях располагает быть любопытным, активно дискутировать и не бояться ошибок.
Персональный ментор:

Онлайн-сессии на 40 минут каждую неделю;
В начале обучения за вами закрепляется ментор. Как и преподаватели, менторы — эксперты, работающие в Data Science;
Раз в неделю вы делаете домашнее задание, выкладываете на гитхаб и договариваетесь с ментором о созвоне;
Ментор заранее знакомится с вашим кодом, поэтому к встрече он уже знает, на что обратить внимание. Вы тоже можете заготовить вопросы;
На сессии ментор прокомментирует ваше решение. При необходимости можно сразу перейти в среду разработки, внести правки в код и тут же посмотреть результат.

После обучения вы сможете:

Претендовать на должности, где требуются junior-компетенции
Решать реальные бизнес-задачи при помощи методов машинного обучения
Работать с Python-библиотеками для Machine Learning
Справляться с нестандартными ситуациями за счет глубокого теоретического понимания работы алгоритмов и моделей
Ориентироваться в различных направлениях Data Science и подбирать подходящие под задачу инструменты.

В этом курсе мы говорим о том, как сделать версионирование баз данных удобным и понятным всем участникам процесса разработки.
За последние несколько лет уже не осталось сомнений в том, что хранение кода в git или другой системе версионирования - это круто. Но почему-то базы данных в этом отношении так и остались пассажиром эконом-класса. Этот курс помогает исправить эту досадную несправедливость.
Зачем нужно использовать DBVC?- Легко синхронизировать окружения- Легко видеть изменения по шагам- Командная работа
Курс будет полезен для всех, кто работает с базами данных:- Data base admin- Devops-инженерам- QA-инженер- Разработчикам
После курса вы сможете:- легко использовать Flyway или Liquibase- быстро создавать любое окружение с точки зрения базы данных- применить практику DBVC к уже существующей базе
ВНИМАНИЕ: количество мест в группе ограничено! Оставьте заявку и с вами свяжется наш менеджер, чтобы обсудить выгодные условия обучения.