+7 499 490-59-59
+7 499 490-59-59

Основано в 2015 г.
Политика конфиденциальности
© 2022 ИНН 7707459521

Онлайн-курс
Data
Scientist

С нуля до трудоустройства: научим Data Science за 7,5 месяцев.
Старт группы "DS05-onl"
27 апреля

Дни и время занятий
Понедельник, 19.00 - 22.00
Четверг, 19.00 - 22.00

Кол-во свободных мест
4 из 18
Условия для зачисления на курс "Data Scientist"
  • Опыт в программировании
    Для зачисления на курс “Data Scientist” необходим диплом об окончании курсов по программированию в TeachMeSkills или других учебных центрах, либо владение на начальном уровне любыми языками программирования, плюсом будет знание таких языков, как Python, Pascal, Java, MatLab, C/C++ .
  • Оплата в
    несколько этапов
    Без процентов, переплат, справок и нагрузки на твой бюджет
  • 80% практики
    и 20% теории
    Упор на решении реальных задач и приобретении практических навыков.
  • Группа
    до 18 человек

    Мы используем индивидуальный подход для успешного закрепления материала каждым студентом

Что тебя ждет на курсе

Технологии развиваются, а количество гаджетов растет в геометрической прогрессии. Поэтому осуществлять сбор данных о том, что происходит в мире и что делает конкретно тот или иной пользователь становится все проще. Чтобы уметь обращаться с этими данными, и существует Data Science.

Почему именно эта песня была предложена тебе приложением для прослушивания?
Каким образом происходит идентификация на дороге: где пешеход, а где встречная машина во время движения?
Прогнозирование цена на крипту, как реализовать?

На этом курсе ты поймешь, как именно работают алгоритмы упомянутые выше, а также научишься строить свои предиктивные модели, используя фреймворки TensorFlow и PyTorch
Как будет выстроен учебный процесс
Прямые трансляции в ZOOM
С 19:00 до 22:00 занятие будет проводиться в онлайн-комнате. Ссылка на подключение будет высылаться регулярно в день проведения занятия.
Можно задавать вопросы , включать демонстрацию своего экрана и общаться в чате с преподавателем в режиме реального времени.
Домашние задания
После каждого занятия твой ментор будет высылать тебе домашние занятия обязательные к выполнению, чтобы ты смог закрепить полученные знания на практике и еще лучше подготовиться к написанию дипломного проекта.
Важно: по всем выполненным домашним заданиям преподаватель будет давать тебе обратную связь.
Материалы по курсу и запись занятий
Все полезные материалы и ссылки будут систематически высылаться в чат группы, точно так же, как и запись каждого занятия, чтобы в любой удобный момент можно было освежить свои знания.
Общение в режиме Live
Наша команда, включая преподавателя курса и менеджеров школы всегда доступна онлайн в общем чате и готова оперативно отреагировать на возникшие у тебя вопросы. Приятный бонус: ты можешь общаться с своими одногруппниками в этом же чате и обсуждать занятия, домашние задания и дополнительные материалы в рамках курса.
Дипломный проект
В конце обучения тебя ждет написание и сдача дипломного проекта, который смело можно включать в резюме.

Твой результат в
конце курса

  • 1
    Изучишь основные алгоритмы машинного обучения и натренируешь свои модели
  • 2
    Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры
  • 3
    Сможешь использовать в своей работе лучшие методики для оценки качества моделей и их оптимизации

  • 4
    Начнешь выстраивать такие стратегии как end-to-end, транcфер и многозадачное машинное обучение
  • 5
    Построишь сверточные и рекурентные нейронные сети, используя фреймворки PyTorch и TensorFlow
  • 6
    Станешь востребованным Data Scientist уровня Junior
Поможем получить твою первую работу в IT
Наш карьерный центр помогает с профориетацией в IT, а также оказывает поддержку студентам, способствует их трудоустройству в международные IT-компании и занимается сопровождением в поиске работы за рубежом.
  • Идеальное резюме
    Мы подскажем, как создать конкурентоспособное резюме и релевантное сопроводительное письмо, чтобы выделиться среди других кандидатов
  • Профиль в LinkedIn
    Расскажем, как заполнить профессиональный профиль в LinkedIn, чтобы его начали замечать рекрутеры
  • Подготовка к собеседованию
    Расскажем, из каких этапов состоит собеседование, а также научим презентовать себя и свои сильные стороны для его успешного прохождения
  • Твоя работа в IT
    Отправим подготовленное резюме нашим партнёрам международным IT-компаниям и дождемся вместе с тобой твой первый оффер на работу мечты
  • 93%
    Трудоустроенных выпускников после консультации в карьерном центре.
  • 170+
    Компаний партнеров
  • 14000+
    Компаний ищут специалистов в ИТ сфере на рынке СНГ
Наши компании партнеры

Стань востребованным
Data Scientist

Оставь заявку на курс “Data Science инженер”, и мы свяжемся с тобой в ближайшее время.
Преподаватели курса
  • Богдан
    Data Scientist в Surprise.com
    5+ лет опыта коммерческой разработки
  • Сергей
    Middle Data Scientist в ООО "Аксон"
    4+ года опыта коммерческой разработки
Посмотри интервью с менторами на нашем YouTube канале

Программа курса

240 академических часов

Программа была составлена практикующими IT специалистами с многолетним опытом коммерческой разработки для изучения Data Science исходя из требований IT-компаний.
1. Введение
  • Краткий обзор курса и задач Machine Learning
  • Что такое Machine Learning, Data Science, AI
  • Google Colab, Jupyter Notebook, настройка среды
2. Python для Data Science
  • Введение в Python
  • Основы работы с Python
3. Системы контроля версий - Git
  • Git - введение
  • Git Flow
  • Git - практика
4. Основы Python (типы и структуры данных)
  • Операторы, выражения
  • Числа с плавающей точкой (int/float)
  • float 2
  • Базовые коллекции 1 - list (списки)
  • Базовые коллекции: cтроки
  • Базовые коллекции: словари и множества
  • Базовые коллекции: кортежи
5. Основы Python (логические выражения и циклы)
  • Условный оператор if, ветвления
  • Условный оператор if: продолжение
  • Цикл while
  • For: циклы со счетчиком
  • For: циклы со счетчиком, часть 2. Функция range
  • Цикл for: работа со строками
  • Вложенные циклы
6. Основы Python (функции)
  • Функции
  • Методы для работы со списком
  • List comprehensions
  • Функции — Рекурсия
7. Основы Python (классы)
  • Классы
8 - 9. Манипуляции с данными. Базы данных и SQL
  • Изучить основные методы и структуры данных библиотеки Pandas
  • Извлечение данных, визуализация результатов
  • Группировка, подсчет метрик
  • Преобразование данных
  • Базы данных
  • SQLite
  • SQL запросы
  • ORM
10. PostgreSQL и SQLAlchemy
  • Сложные запросы
  • PostgreSQL
  • SQLAlchemy
  • Функции и триггеры
  • ORM
11 - 12. Базовый математический уровень для Data Science и реализация в Python
  • Линейная алгебра (Основы матричного исчисления), векторы, векторное пространство
  • Вычисления с помощью NumPy
  • Матрицы. Реализация матричных операций на языке Python
  • Основы теории вероятности и математической статистики. Основы мат. анализа
  • Распределения, доверительные интервалы
  • Корреляция
  • Базовый эксплоративный анализ и визуализация данных
  • Работа с данными в Pandas
13. Data Visualization
  • Визуализация данных в Matplotlib
  • Plotly
    14 -15 . Классические Machine Learning-алгоритмы
    • Обучение с учителем/без учителя/с подкреплением
    • Функция ошибок
    • Градиентный спуск
    • Линейная регрессия
    16 - 17. Продолжаем с линейной регрессией
    • Множественная линейная регрессия
    • Классификация (логистическая регрессия)
    • Переобучение (регуляризация)
    • Недообучение
    • Другие алгоритмы (Метод опорных векторов)
    18. Введение в нейронные сети
    • Понятие нейронных сетей. Нейрон. Многослойный персептрон
    • Функции активации
    • Learning (Forward, Backpropagation)
    • Смещение/разброс (Bias/Variance)
    • Кривые обучения (Learning curves)
    • Метрики оценки
    19 - 20. Ансамблевые методы
    • Деревья решений
    • Ансамблевые методы Boosting/Bagging
    • Градиентный бустинг
    • Random Forest
    21. Обучение без учителя (Кластеризация)
    • Метод k-средних
    • Иерархическая кластеризация
    • DBSCAN
    • Выявление аномалий
    22. Снижение размерности
    • Метод главных компонент (PCA)
    • Стохастическое вложение соседей с t-распределением (T-SNE)
    23. Рекомендательная система
    • Основанная на пользователях
    • Основанная на контенте
    • Коллаборационный фильтр
    • Модели прогнозирования временных рядов
    24. Работа с большими данными
    • Large scale algo
    • Batching
    • Cross-Validation
    • Map reduce
    25 - 26. Нейронные сети и Deep Learning
    • Классификация архитектур нейронных сетей
    • Виды слоёв (и классификация нейронов)
    • Обучение: функция потерь, обратное распространение ошибки, оптимизаторы, стохастический градиент
    • Регуляризация
    • Ознакомление с библиотеками для Deep Learning
    27 - 29. Решение проблем с тренировкой глубоких нейросетей
    • Улучшаем глубокие нейросети
    • Оптимизация гиперпараметров, Регуляризция и Оптимизация
    • Gradient vanishing/explosion
    30 - 31. Data Science project pipeline
    • Structuring Machine Learning Projects
    • Transfer Learning
    32 - 34. Сверточные нейросети
    • Введение
    • Операция свертки
    • Слои в сверточных нейросетях
    • Базовая структура сверточной нейросети
    • Классификация объектов
    35 - 37. Применение сверточных нейросетей
    • Object detection
    • Распознавание лиц
    • Перенос стилей
    38 - 42. Sequence Models
    • Рекуррентная нейросеть (RNN)
    • Управляемый рекуррентный блок (GRU)
    • Долгая краткосрочная память (LSTM)
    • Двунаправленная RNN/LSTM
    • Механизм внимания
    43 - 44. Основы Natural Language Processing (NLP)
    • Word2Vec, GloVe и Fastext
    • BERT
    45 - 46. Основы Times Series Prediction
    • Классические подходы применения статистики
    • Предобработка временных рядов
    • Применение Deep Learning
    47 - 49. Примеры решений задач СV, NLP, Time Series prediction
    • Сегментация объектов на изображении
    • Анализ эмоциональной окрашенности текста
    • Классификации текста
    50 - 52. Основы Computer Science для Data Science
    • Основы Computer Science (OOП)
    • Базовые алгоритмы и структуры данных
    • Инкапсуляция, наследование и полиморфизм
    • Перегрузка операторов
    • MRO
    • Статические методы, методы класса, property
    • Метаклассы
    • Классы данных
    53. Основы Web
    • Flask or Fast API
    54 - 55. Основы работы в облачных сервисах
    • Знакомство с AWS
    • Базы данных на AWS -- RedShift
    • AWS SageMaker, S3
    • AWS Textract
    • Google Cloud Platform
    • Google Vision
    • Деплой своего проекта на GCP (App Engine)
    56 - 57. Закрепление итогового материала и выбор дипломного проекта
    58. Подготовка к техническому собеседованию
    59. Онлайн-тренинг "Трудоустройство в IT"
    • Составление резюме (теория + практика)
    • Составление профиля на LinkedIn (теория + практика)
    • Soft skills, которые важны в рамках интервью
    60. Защита дипломных проектов

    Стоимость курса

    10 000 RUB / в месяц*

    Стоимость при 100% оплате: 120000 RUB 108 000 RUB

    Для студентов TeachMeSkills скидка 3000 RUB.
    Приведи друга – учитесь со скидкой 3000 RUB каждый.

    * Ежемесячный платеж при рассрочке на 12 месяцев.
    ** Возможен вариант оплаты по системе внутренней рассрочки TeachMeSkills
    *** Более подробную информацию по программам рассрочки и кредитования можно узнать у менеджеров.
    Старт группы "DS05-onl"
    27 апреля

    Дни и время занятий
    Понедельник, 19.00 - 22.00
    Четверг, 19.00 - 22.00

    Кол-во свободных мест
    4 из 18
    Что наши выпускники
    говорят о нас
    Стань востребованным
    Data Scientist
    Оставь свой контактный номер телефона в форме ниже, и мы проконсультируем тебя в ближайшее время.