Основы Data Science [2021] [it-academy] [Роман Сидоренко]

[Bot]

Основы Data Science [2021]
it-academy
Роман Сидоренко
Курс по Data Science направлен на приобретение знаний, навыков и умений по извлечению, структурированию и использованию полезной информации из неструктурированных, а также разрозненных источников.

Он охватывает основные современные средства Data Mining, Machine Learning и Big Data. Использование указанных технологий даёт неоспоримое преимущество не только организациям на рынке товаров и услуг, но и людям на рынке труда.

Спойлер: Для кого этот курс
1. Для разработчиков, желающих расширить свои компетенции;
2. Для студентов старших курсов и выпускников технических ВУЗов, которые хотят повысить свои шансы на трудоустройство;
3. Для аспирантов и соискателей научных степеней, желающих приобрести навыки решения научных и исследовательских задач с использованием современных информационных технологий;
4. Для специалистов, желающих повысить свою компетенцию в области Data Mining, Big Data и Data Science.
Спойлер: Для чего этот курс
1. Приобретения знаний в областях Data Mining, Big Data и Data Science;
2. Формирования устойчивых навыков и умений по постановке и решению аналитических и исследовательских задач с использованием математической статистики и современных информационных технологий, а также разработки информационных рекомендательных систем.
Спойлер: Вы будите уметь
1. Осуществлять сбор, обобщение и очистку исходных информационных данных;
2. Находить аналитические зависимости в структурированных и неструктурированных данных;
3. Осуществлять постановку и решение задач математического программирования и исследования операций;
4. Знать и уметь применять основные алгоритмы машинного обучения и математического программирования;
5. Знать, как работает Machine Learning;
6. Уметь пользоваться основными инструментами Data Mining, Big Data и Data Science;
7. Знать основные типы и архитектуру нейронных сетей;
8. Реализовывать, внедрять и обучать Machine Learning модели;
9. Решать задачи Computer Vision, Natural Language Toolkit, а также прогнозирования временных рядов;
10. Знать концепции Map Reduce и CUDA;
11. Знать принципы функционирования высоконагруженных систем;
12. Разрабатывать рекомендательные системы.
Спойлер: Содержание
Модуль 1 - Введение в Data Science

• Объект Data Science.
• Взаимосвязь Data Mining, Big Data и Data Science.
• Инструментарий Data Science.
• Основные способы получения данных.
• Базовый эксплоративный анализ и визуализация данных.

Модуль 2 - Математические основы Data Science

• Основы матричного исчисления.
• Реализация матричных операций в Python.
• Основы теории вероятности и математической статистики.
• Проверка статистических гипотез в Python.
• Основы математического программирования и исследования операций.
• Классификация алгоритмов математического программирования.
• Визуализация данных в Python.

Модуль 3 - Основы Data Science и Machine Learning

• Принципы построения моделей в Data Science.
• Метрики качества моделей. Проверка качества модели.
• Введение в Deep Learning и Machine learning.
• Объект Deep Learnig и Machine Learning. Классы решаемых задач.
• Большие данные и параллельные вычисления.
• Подходы к построению высоконагруженных систем.
• Обобщение и сбор данных для обучения их очистка и нормализация.
• Обзор и классификация алгоритмов ML.

Модуль 4 - Основные алгоритмы Machine Learning

• Алгоритмы «Дерево решений», «Случайный лес», «K-ближайших соседей», «Градиентный бустинг».
• Кластеризация и поиск ассоциаций.
• Линейная и логистическая регрессия. Ограничения, преимущества и недостатки.
• Обучение с учителем.
• Обучение классификатора на размеченных данных.
• Проверка качества модели: переобучение, регуляризация, обучающая и тестовая выборки.
• Борьба с переобучением: ансамблирование. Обзор методов ансамблирования.
• Реализация алгоритмов в Python.

Модуль 5 - Методы предобработки данных

• Снижение размерности, разреженные данные, многомерные пространства.
• Коррелирующие параметры.
• Нерациональное использование памяти, сложность моделей.
• Статистический анализ данных, выбор параметров на основе корреляции.
• Снижение размерности данных: поиск подмножеств, регуляризация, уменьшение пространства.
• Векторное разложение.
• Методы декомпозиции.
• Спрямляющие пространства.

Модуль 6 - Рекомендательные системы

• Введение в рекомендательные системы.
• Различие между предсказаниями и рекомендациями.
• Типы рекомендательных систем.
• Постановка целей.
• Неперсонализированные рекомендации.
• Способы построения рекомендательных систем.
• Цепи Маркова.
• Групповые рекомендации.

Модуль 7 - Распознавание изображений, машинное зрение

• Теоретические основы обработки изображений.
• Форматы данных (RGB, CMYK, B&W), принципы и алгоритмы сжатия изображений, примеры чтения и конвертации изображений.
• Выделение признаков изображений.
• Задача поиска изображения по шаблону, представление свойств изображения с помощью гистограмм.
• Поиск похожих картинок по контенту.
• Сегментация изображений, детекция объектов.
• Детектор лиц на изображении.

Модуль 8 - Введение в нейронные сети

• Основные элементы нейронных сетей.
• Классификация архитектур нейронных сетей.
• Обучение: функция потерь, обратное распространение ошибки, стохастический градиент.
• Регуляризация.
• Инициализация весов.
• Сверточные нейронные сети.
• Практическое применение сверточных рекурентных и генеративно-конкурирующих сетей в задачах Computer Vision.

Модуль 9 - Распознавание естественного языка

1. Введение в обработку текста.
2. Частотный анализ.
3. Законы Ципфа и Хипса.
4. Морфологический и синтаксический анализ.
5. Векторная модель и методы снижения размерности в ней.
6. Классификация текстов.
7. Извлечение именованных сущностей.
8. Языковые модели.
9. Извлечение информации.
10. Генерация текстов.

Модуль 10 - Временные ряды

• Временные ряды.
• Модели построения прогнозов.
• Разложение временного ряда на компоненты.
• Автокорреляция и корелограммы.
• Стационарность ряда.
• Сложные модели прогнозирования.
• Прогнозирование временных рядов на цепях Маркова.

Модуль 11 - Общение с заказчиком. Требования к Data Science проектам

• Cпособы выяснения требований, проверка их выполнимости.
• Формализация и утверждение требований с заказчиком.
• Общий порядок составления отчетов.
• Цели, явные и неявные ожидания заказчиков проекта.
• Описание зависимостей и способов воздействия на важные для заказчика факторы.
• Практический опыт создания хайлоад моделей.
• Выбор алгоритмов, библиотек, тонкой настройки моделей.

Модуль 12 - Подведение итогов

• Защита дипломных проектов.

Примечание: полная стоимость курса 2 999 (BYN)
Продажник