Курс Data Scientist [2021] [Level UP] [Ирина]

Курс Data Scientist [2021]
Level UP
Ирина

Курс Data Scientist ориентирован на начинающих разработчиков, знакомых с основами разработки на Python.

Программа обучения Data Science содержит большое количество практических задач на закрепление знаний, а также мини-проекты на протяжении курса.

Целью курса Data Scientist является понимание и умение применять на практике все необходимые технологии связанные с Data Science.

При успешном прохождении курса студент может претендовать на должность Junior Data Scientist или Junior Data Analyst.

Каждая из тем курса содержит практические примеры, а каждое занятие сопровождается домашним заданием для закрепления материала.

В конце курса разберем самые популярные вопросы для собеседования.

Спойлер: Содержание

1. Введение. Терминология.

• Рассмотрение различных ролей в AI-team и их навыков.
• Различия/Сходства программирования и науки о данных.
• Цикл разработки AI продукта.
• Полезные ресурсы.

2. Python + Git

• Вспоминаем
• Закрепляем
• Решаем задачки

3. JupyterLab + MarkDown

4. Data Engineering

• Подготовка данных для обучения (feature engineering).
• Способы сбора/поиска данных для обучения.
• Анализ данных (в том числе визуализация).
• Что такое ETL?
• Базы данных
  • SQL (на примере MySQL).
  • NoSQL (на примере MongoDB).
• Обзор терминов: Hadoop, Spark, Hive.

5. Modeling

• ML (Classic models)
  • Типы:
    • Logistic Regression
    • Linear Regression
    • Decision Trees
    • Random Forest
    • XGBoost
    • Support Vector Machines (SVM)
    • K-means
    • K-Nearest Neighbors (K-NNs)
    • Principal Component Analysis (PCA)
    • Naive Bayes Classifier
    • Lasso/Ridge regression
  • Пакеты/Фреймворки для работы
  • Methods to train (initialization, optimization, regularization, and hyperparameter tuning).
  • Анализ результатов моделей, рекомендации.
• Deep Learning
  • Типы:
    • Deep Neural Networks (DNNs) | Feed Forward Networks (FFNNs)
    • Recurrent Neural Network (RNN)
    • Long Short Term Memory (LSTM)
    • Convolutional Neural Network (CNN)
  • Пакеты/Фреймворки для работы
  • Methods to train (initialization, regularization, optimization, and transfer learning).
  • Анализ результатов моделей, рекомендации.
• Математика для DS (базовые знания, ничего страшного)
  • Статистика (hypothesis testing, bias/variance tradeoffs, mean, variance, and mode).
  • Теория вероятностей (distributions, conditional probabilities, independence, Bayes theorem).
  • Математический анализ (derivatives, integrals)
  • Линейная алгебра (matrix vector operations, eigenvalues, eigenvectors, and combinatorics).
  • Математические функции (min/max/argmin/argmax...).
  • Математика для анализа данных (preprocessing, visualization and metrics such as
  • accuracy, R-squared, residuals, precision, and recall).
• Обзор языка R.

6. Deployment

• Что такое рефакторинг. Основные подходы.
• Обзор AWS, Azure и аналогов.
• Preparing files (usually model architecture and parameters) for deployment.

7. Business Analysis

• Визуализация
  • Tableau
  • matplotlib
  • seaborn
• Анализ того, что получилось на графиках (корреляция, среднее...).

8. Infrastructure

• Базовые понятия GPU / CUDA
• Docker + Linux terminal.
• A/B testing
• Unit & Functional tests
• Классические алгоритмы и структуры данных (О-большое, понятие оптимизации).

9. Разбор классических вопросов на собеседовании

Продажник