image

Никаких записей курсов — только живое общение

Курсы

Наши курсы

image

TeachMeSkills в Ютубе

Здесь мы публикуем годный контент, подробные разборы и практический опыт учителей

Дистанционный курс — 7,5 месяцев

Data Scientist

С нуля до трудоустройства: научим Data Science за 7,5 месяцев.

Phone

Свяжемся в течение рабочего дня

Нажимая на кнопку, я соглашаюсь на обработку персональных данных

Старт групп

DS08-onl — 25 апреля

Дни и время занятий

ПН, ЧТ, 19:00 — 22:00

МестаСвободных мест

12 из 15

Course image

Кем ты станешь?

С развитием технологий и повсеместным использованием гаджетов все легче становится собирать различные данные о том, что происходит в мире — от наших кликов в интернет-пространстве до структуры развития человеческого генома. Для того, чтобы уметь обращаться с этими данными, и существует Data Science. Какую песню предложить тебе для прослушивания? Как определить, где пешеход, а где встречная машина во время движения? Как спрогнозировать изменение цен на криптовалюту в будущем? На этом курсе ты сможешь понять, как работают все вышеперечисленные алгоритмы, а также научишься строить свои предиктивные модели, используя фреймворки TensorFlow и PyTorch.

Чему ты научишься?

  • Выучишь основные алгоритмы машинного обучения и натренируешь свои модели
  • Построишь и обучишь глубокие нейронные сети, определишь архитектурные параметры
  • Используешь лучшие методики для оценки качества моделей и их оптимизации
  • Научишься стратегиям end-to-end, транcфера и многозадачного машинного обучения
  • Построишь сверточные и рекурентные нейронные сети, используя фреймворки PyTorch и TensorFlow
  • Станешь востребованным специалистом в сфере Data Science

Зарплата Data Science

Источник данных: dev.by

600 $ - 2000 $

Junior
Middle
Senior

На рынке не хватает Data Science

456сейчас ищут Data Science

< >

600 $
Junior
Middle
Senior

Программа курса

Программа рассчитана на 240 академических часов

Программа была составлена практикующими IT специалистами с многолетним опытом коммерческой разработки для изучения Data Science исходя из требований IT-компаний.

Введение Machine Learning

Введение

  • Краткий обзор курса и задачи Machine Learning
  • Что такое Машинное обучение, Наука о данных, ИИ
  • Google Colab, Jupyter Notebook, настройка среды

Введение в Python

Python для Data Science

  • Введение в Python
  • Основы работы с Python

Системы контроля версий - Git

  • Git — введение
  • Git поток
  • Git - практика

Основы Python (типы и структуры данных)

  • Операторы, выражения
  • Числа с плавающей точкой (int/float)
  • поплавок 2
  • Базовые коллекции 1 - список (списки)
  • Базовые коллекции: ctroki
  • Базовые коллекции: словари и окружения
  • Базовые коллекции: кортежи

Основы Python (логические выражения и циклы)

  • Условный оператор if, ветвления
  • Условный оператор if: продолжение
  • Цикл пока
  • Для: циклы со счетчиком
  • For: циклы со счетчиком, часть 2. Диапазон функций
  • Цикл для: работа со строками
  • Вложенные циклы

Основы Python (функции)

  • Функции
  • Методы работы со встречей
  • Список включений
  • Функции — Рекурсия

Основы Python (классы)

  • Классы

Базы данных и SQL

Манипуляции с данными. Базы данных и SQL (Часть 1)

  • Изучить основные методы и структуры данных библиотеки Pandas
  • Извлечение данных, визуализация результатов
  • Группировка, подсчет метрик
  • Преобразование данных
  • Базы данных
  • SQLite
  • SQL-запросы
  • ОРМ

Манипуляции с данными. Базы данных и SQL (Часть 2)

  • Изучить основные методы и структуры данных библиотеки Pandas
  • Извлечение данных, визуализация результатов
  • Группировка, подсчет метрик
  • Преобразование данных
  • Базы данных
  • SQLite
  • SQL-запросы
  • ОРМ

PostgreSQL и SQLAlchemy

  • Сложные запросы
  • PostgreSQL
  • SQLAlchemy
  • Функции и триггеры
  • ОРМ

Базовый математический уровень для Data Science

Базовый математический уровень для Data Science и реализация в Python (Часть 1)

  • Линейная алгебра (Основы матричного исчисления), потеря, векторное пространство
  • Вычисления с помощью NumPy
  • Матрицы. Реализация матричных операций на языке Python
  • Основы теории вероятности и математической статистики. Основы мат. анализ
  • Распределения, доверительные интервалы
  • Корреляция
  • Базовый экспериментальный анализ и визуализация данных
  • Работа с данными в Pandas

Базовый математический уровень для Data Science и реализация в Python (Часть 2)

  • Линейная алгебра (Основы матричного исчисления), потеря, векторное пространство
  • Вычисления с помощью NumPy
  • Матрицы. Реализация матричных операций на языке Python
  • Основы теории вероятности и математической статистики. Основы мат. анализ
  • Распределения, доверительные интервалы
  • Корреляция
  • Базовый экспериментальный анализ и визуализация данных
  • Работа с данными в Pandas

Data Visualization

  • Визуализация данных в Matplotlib
  • сюжетно

Классические Machine Learning-алгоритмы (Часть 1)

  • Обучение с учителем/безучителем/с подкреплением
  • Функция ошибок
  • Градиентный спуск
  • Линейная регрессия

Классические Machine Learning-алгоритмы (Часть 2)

  • Обучение с учителем/безучителем/с подкреплением
  • Функция ошибок
  • Градиентный спуск
  • Линейная регрессия

Продолжаем с линейной регрессией (Часть 1)

  • Множественная линейная регрессия
  • Классификация (логистическая регрессия)
  • Переобучение (регуляризация)
  • Недообучение
  • Другие алгоритмы (Метод опорных векторов)

Продолжаем с линейной регрессией (Часть 2)

  • Множественная линейная регрессия
  • Классификация (логистическая регрессия)
  • Переобучение (регуляризация)
  • Недообучение
  • Другие алгоритмы (Метод опорных векторов)

Введение в нейронные сети

Введение в нейронные сети

  • Понятие нейронных сетей. Нейрон. Многослойный персептрон
  • Активация функций
  • Обучение (вперед, обратное распространение)
  • Смещение/разброс (Bias/Variance)
  • Кривые обучения (кривые обучения)
  • Метрики оценки

Ансамблевые методы (Часть 1)

  • чувства решений
  • Ансамблевые методы Boosting/Bagging
  • Градиентный бустинг
  • Случайный лес

Ансамблевые методы (Часть 2)

  • чувства решений
  • Ансамблевые методы Boosting/Bagging
  • Градиентный бустинг
  • Случайный лес

Обучение без учителя (Кластеризация)

  • Метод k-средних
  • Иерархическая кластеризация
  • ДБСКАН
  • Выявление аномалий

Снижение размерности

  • Метод основных компонентов (PCA)
  • Стохастическое вложение соседей с t-распределением (T-SNE)

Рекомендательная система

  • Основанная на пользователях
  • Основанная на контенте
  • Коллаборационный фильтр
  • Модели прогнозирования временных рядов

Работа с большими данными

  • Алгоритм большого масштаба
  • Дозирование
  • Перекрестная проверка
  • Уменьшение карты

Нейронные сети и Deep Learning

Нейронные сети и Deep Learning (Часть 1)

  • Классификация архитектурных нейронных сетей
  • Виды слоёв (и классификация нейронов)
  • Обучение: функции потери, обратное распространение ошибок, оптимизаторы, стохастический градиент
  • Регуляризация
  • Ознакомление с библиотеками для глубокого обучения

Нейронные сети и Deep Learning (Часть 2)

  • Классификация архитектурных нейронных сетей
  • Виды слоёв (и классификация нейронов)
  • Обучение: функции потери, обратное распространение ошибок, оптимизаторы, стохастический градиент
  • Регуляризация
  • Ознакомление с библиотеками для глубокого обучения

Решение проблем с тренировкой глубоких нейросетей (Часть 1)

  • Улучшаем отчет нейросети
  • Оптимизация гиперпараметров, Регуляция и Оптимизация
  • Исчезновение/взрыв градиента

Решение проблем с тренировкой глубоких нейросетей (Часть 2)

  • Улучшаем отчет нейросети
  • Оптимизация гиперпараметров, Регуляция и Оптимизация
  • Исчезновение/взрыв градиента

Решение проблем с тренировкой глубоких нейросетей (Часть 3)

  • Улучшаем отчет нейросети
  • Оптимизация гиперпараметров, Регуляция и Оптимизация
  • Исчезновение/взрыв градиента

Data Science project pipeline (Часть 1)

  • Структурирование проектов машинного обучения
  • Трансферное обучение

Data Science project pipeline (Часть 2)

  • Структурирование проектов машинного обучения
  • Трансферное обучение

Сверточные нейросети (Часть 1)

  • Введение
  • Операция свертки
  • Слои в сверхточных нейросетях
  • Базовая структура сверточной нейросети
  • Классификация объектов

Сверточные нейросети (Часть 2)

  • Введение
  • Операция свертки
  • Слои в сверхточных нейросетях
  • Базовая структура сверточной нейросети
  • Классификация объектов

Сверточные нейросети (Часть 3)

  • Введение
  • Операция свертки
  • Слои в сверхточных нейросетях
  • Базовая структура сверточной нейросети
  • Классификация объектов

Применение сверточных нейросетей (Часть 1)

  • Обнаружение объекта
  • Распознавание лиц
  • Перенос стиля

Применение сверточных нейросетей (Часть 2)

  • Обнаружение объекта
  • Распознавание лиц
  • Перенос стиля

Применение сверточных нейросетей (Часть 3)

  • Обнаружение объекта
  • Распознавание лиц
  • Перенос стиля

Sequence Models. Natural Language Processing

Sequence Models (Часть 1)

  • Рекуррентная нейросеть (RNN)
  • Управляемый рекуррентный блок (ГРУ)
  • Долгая краткосрочная память (LSTM)
  • Двунаправленная RNN/LSTM
  • Механизм внимания

Sequence Models (Часть 2)

  • Рекуррентная нейросеть (RNN)
  • Управляемый рекуррентный блок (ГРУ)
  • Долгая краткосрочная память (LSTM)
  • Двунаправленная RNN/LSTM
  • Механизм внимания

Sequence Models (Часть 3)

  • Рекуррентная нейросеть (RNN)
  • Управляемый рекуррентный блок (ГРУ)
  • Долгая краткосрочная память (LSTM)
  • Двунаправленная RNN/LSTM
  • Механизм внимания

Sequence Models (Часть 4)

  • Рекуррентная нейросеть (RNN)
  • Управляемый рекуррентный блок (ГРУ)
  • Долгая краткосрочная память (LSTM)
  • Двунаправленная RNN/LSTM
  • Механизм внимания

Sequence Models (Часть 5)

  • Рекуррентная нейросеть (RNN)
  • Управляемый рекуррентный блок (ГРУ)
  • Долгая краткосрочная память (LSTM)
  • Двунаправленная RNN/LSTM
  • Механизм внимания

Основы Natural Language Processing (NLP) (Часть 1)

  • Word2Vec, GloVe и Фасттекст
  • БЕРТ

Основы Natural Language Processing (NLP) (Часть 2)

  • Word2Vec, GloVe и Фасттекст
  • БЕРТ

Основы Times Series Prediction. Решение задач СV, NLP, Time Series prediction

Основы Times Series Prediction (Часть 1)

  • Классические подходы применения статистики
  • Предобработка временных рядов
  • Применение Глубокое обучение

Основы Times Series Prediction (Часть 2)

  • Классические подходы применения статистики
  • Предобработка временных рядов
  • Применение Глубокое обучение

Примеры решений задач СV, NLP, Time Series prediction (Часть 1)

  • Сегментация объектов на изображении
  • Анализ эмоционально окрашенности текста
  • Классификации текста

Примеры решений задач СV, NLP, Time Series prediction (Часть 2)

  • Сегментация объектов на изображении
  • Анализ эмоционально окрашенности текста
  • Классификации текста

Примеры решений задач СV, NLP, Time Series prediction (Часть 3)

  • Сегментация объектов на изображении
  • Анализ эмоционально окрашенности текста
  • Классификации текста

Основы Computer Science и web

Основы Computer Science для Data Science (Часть 1)

  • Основы информатики (ООП)
  • Базовые алгоритмы и структуры данных
  • Инкапсуляция, исследование и полиморфизм
  • Перегрузка операции
  • ТОиР
  • Статические методы, методы класса, свойство
  • Метаклассы
  • Классы данных

Основы Computer Science для Data Science (Часть 2)

  • Основы информатики (ООП)
  • Базовые алгоритмы и структуры данных
  • Инкапсуляция, исследование и полиморфизм
  • Перегрузка операции
  • ТОиР
  • Статические методы, методы класса, свойство
  • Метаклассы
  • Классы данных

Основы Computer Science для Data Science (Часть 3)

  • Основы информатики (ООП)
  • Базовые алгоритмы и структуры данных
  • Инкапсуляция, исследование и полиморфизм
  • Перегрузка операции
  • ТОиР
  • Статические методы, методы класса, свойство
  • Метаклассы
  • Классы данных

Основы Web

  • Flask или быстрый API

Основы работы в облачных сервисах

Основы работы в облачных сервисах (Часть 1)

  • Знакомство с AWS
  • Базы данных на AWS -- RedShift
  • AWS SageMaker, S3
  • Текст AWS
  • Облачная платформа Google
  • Google Видение
  • Деплой своего проекта на GCP (App Engine)

Основы работы в облачных сервисах (Часть 2)

  • Знакомство с AWS
  • Базы данных на AWS -- RedShift
  • AWS SageMaker, S3
  • Текст AWS
  • Облачная платформа Google
  • Google Видение
  • Деплой своего проекта на GCP (App Engine)

Закрепление итогового материала и выбор дипломного проекта

Закрепление итогового материала и выбор дипломного проекта (Часть 1)

Заключение материалов и выбор дипломного проекта

Закрепление итогового материала и выбор дипломного проекта (Часть 2)

Заключение материалов и выбор дипломного проекта

Подготовка к техническому собеседованию

Подготовка к техническому собеседованию

Подготовка к техническому собеседованию

Онлайн-тренинг "Трудоустройство в IT"

Онлайн-тренинг "Трудоустройство в IT"

  • Составление резюме (теория + практика)
  • Составление профиля на LinkedIn (теория + практика)
  • Прохождение интервью
  • Навыки межличностного общения, которые важны в рамках интервью
  • Проведение пробного интервью

Защита дипломных проектов

Защита дипломных проектов

  • Защита дипломных проектов

Поможем в выборе!

Если у вас есть вопросы о формате или вы не знаете что выбрать, оставьте свой номер:
мы позвоним, чтобы ответить на все ваши вопросы.

  • Звонок
  • Консультация
  • Курсы
Phone

Свяжемся в течение рабочего дня

Нажимая на кнопку, я соглашаюсь на обработку персональных данных

Учебный процесс

  • Упор на практику

    Даем структурированные знания, востребованные сегодня на рынке труда. Никакой воды в обучении: только 15% теории и 85% практики.

    GIF
  • Поддержка и забота

    За каждой группой закреплен опытный аккаунт-менеджер, который помогает в решении актуальных задач / вопросов по телефону, онлайн и лично. А преподаватели всегда готовы помочь на занятии и онлайн в Telegram.

    GIF
  • Помощь в поиске работы

    Учим, как готовиться к собеседованиям и их проходить. Сотрудничаем с IT компаниями по трудоустройству.

    GIF
  • Работа на реальных проектах

    Уже в процессе ты разработаешь реальный проект — твой первый проект в профессиональном портфолио.

    GIF

Преподаватели курса

Учись у лучших. Все наши преподаватели - практикующие специалисты в международных IT-компаниях

Фото учителя

Андрей

Machine Learning Specialist at JSC Peleng 4+ лет опыта коммерческой разработки

Ваше резюме после обучения

Фото студента
Должность
Data Science инженер
Зарплата от:
600 $

Профессиональные навыки:

  • Теоретическая подготовка в области линейной алгебры, математического анализа, теории вероятностей и элементов математической статистики.
  • Изучение как классических ML-моделей, так и state-of-art-решений, с помощью Python и TensorFlow.
  • Понимание тонкостей постановок задач машинного обучения.
  • Опыт обучения, оптимизации и развертывания моделей машинного обучения с помощью Flask.
  • Понимание аспектов цикла современной ML-разработки.
Cертификаты TeachMeSkills
Подтвердит, что вы прошли курс и станет дополнительным аргументом при устройстве на работу.
Certificate image

Помощь в трудоустройстве

Опытные HR-специалисты отвечают на вопросы, готовят к собеседованию и помогают каждому студенту получить работу мечты.

Раз

image

Рекомендации по составлению портфолио и резюме

Два

image

Подготовка к собеседованию в компаниях-партнёрах

Три

image

Персональные консультации по развитию карьеры

Успешные истории наших выпускников

  • Фото выпускника
  • Фото выпускника
  • Фото выпускника
  • Фото выпускника
  • Фото выпускника
  • Фото выпускника
  • Фото выпускника
  • Фото выпускника

Отзывы выпускников

Дарья
Всем привет! Выпускница курса UXUI Design. Начинала курс без какого-либо бекграунда, т.е. пришла полным нулем. Все было новым, причем каждый раз, каждое занятие. Объем программы обширный, все кейсы были разобраны в полной мере, были получены ответы на все вопросы в процессе обучения. Профессиональное подача материала(отдельное благодарность ментору курса Руслану) и менеджерам школы TeachMeSkills за поддержку и обратную связь.

9 марта 2022

Андрей
Несколько лет работаю в сфере IT и нахожусь в постоянном поиске новых знаний. Курсы UI/UX дизайна выбрал для себя для того, чтобы расширить границы своих профессиональных навыков. В процессе обучения было много практики и теории, материал преподносился в очень доступной форме, поэтому было легко как новичкам, так и тем, кто немного знаком с этим направлением. Что не мало важно, на уроках присутствовала приятная атмосфера и был приятный коллектив. Преподаватель всегда отвечал на любые интересующие вопросы и помогал в решении возникающих трудностей. Полученные знания после окончания данных курсов дают хороший толчок и базу для дальнейшего развития в данном направлении, а так же для применения знаний на практике и при трудоустройстве.

14 марта 2022

Андрей
Всё было круто. Руслан, несмотря на его небольшой возраст, расскажет и объяснит все так, что понял бы даже ребёнок. Отдельно можно выделить атмосферу занятий, которая в нашей группе могла с рабочей на непринуждённую смениться по несколько раз, что помогало не потерять интерес. В общем и целом, курс определенно стоил потраченного на его изучение времени"

9 мая 2022

Наталья
Прошла курс «Автоматизированное тестирование на Java» у преподаватаелей Дениса, который преподавал нам Java с нуля, и Александра Тростянко, который преподавал нам тестирование. Все темы для меня были сложными, так как я ничего не знала о программировании вообще, но благодаря преподавателям и структурированной подачи материала в голове все укладывалось как надо! Я очень довольна своим результатом, так как сразу после курсов я нашла работу 🙂 Большое спасибо, TeachMeSkills 😊

22 февраля 2022

Настя
Это потрясающий опыт и выход из зоны моего комфорта. Классная группа, самый лучший ментор Дмитрий Рак, спасибо тебе за твои Hard skills и энергетику на курсах, умел нас взбодрить после тяжелого трудового дня и настроить на знания, ни капли не пожалела, что отдала своё предпочтение офлайн формату! Спасибо вашей школе за организацию и профессионализм !

27 апреля 2022

Евгения
Благодарю за профессионализм, преподавательский состав, знания, подарочки и очень добрых менеджеров! Работаю уже в двух компаниях год!)

13 апреля 2021

Алеся
Это были офигенные 5 месяцев, спасибо вашей школе и отдельное спасибо за подарочки !!! В феврале начала поиски работы, получила оффер в iTechArt достаточно быстро и планировала выходить.

22 ноября 2021

Виктория
Группа классная, ментор группы Дмитрий Рак просто огонь, с августа работаю в iTeachArt.

26 апреля 2022

Антон
Всё хорошо. Работаю с сентября в компании Fresh lime soft в качестве Front-end developer (React).

24 апреля 2022

Наталья
Все хорошо, уже почти 8 месяцев работаю в айти, знания и навыки, которые получила на курсе просто бесценны!

25 апреля 2022

Анна
Самые крутые курсы в Минске ! Я выбрала направление Python и ничуть не пожалела. Ребята все зачет. Особенно спасибо нашему ментору Николаю. Очень крутой. В первые вижу такую отдачу от человека и помощь. Всем огромное спасибо. Самое классное время. Буду очень скучать))

8 апреля 2021

Аня
Это любоф, два законченных курса. Один ещё в планах, даже на ютубе вашем засвечусь. Что касаемо курса, супер интересно для таких любопытных как я.

16 марта 2021

Стоимость обучения

Полная разовая оплата

120 000

Возможен вариант оплаты по банковской рассрочке от 6 до 18 месяцев. Более подробную информацию по программам рассрочки и кредитования можно узнать у менеджеров.

Оплата в рассрочку

20 000
до начала занятий
20 000
через 3 недели после начала обучения
20 000
через 6 недель после начала обучения
20 000
через 9 недель после начала обучения
20 000
через 12 недель после начала обучения
20 000
через 14 недель после начала обучения

Запись на обучение

Phone

Свяжемся в течение рабочего дня

Нажимая на кнопку, я соглашаюсь на обработку персональных данных