Дата Сциентист од нуле до ПРО - курс 233,640 РУБ. из СкиллФацтори, обука 24 месеца, датум 15. август 2023.

БАСЕ

У овој фази ћете научити основе програмирања у Питхон-у, научити како да преобрадите и анализирате податке, а такође ћете се упознати са главним задацима научника података.

Увод - 1 недеља

Моћи ћете да формулишете стварне циљеве учења за себе, сазнате која је вредност ДС-а за пословање, упознају се са главним задацима научника података и разумеју како развој било ког ДС пројекат.
ИНТРО-1. Како ефикасно учити - укључивање у обуку
ИНТРО-2. Преглед професије. Врсте проблема у науци о подацима. Фазе и приступи развоју пројекта науке о подацима

Дизајн развоја - 5 недеља

Научићете да радите са основним типовима података користећи Питхон и моћи ћете да користите конструкције петље, условне изјаве и функције у свом свакодневном раду.
ПИТХОН-1. Основе Питхона
ПИТХОН-2. Заронити у типове података
ПИТХОН-3. Условне изјаве
ПИТХОН-4. Циклуси
ПИТХОН-5. Функције и функционално програмирање
ПИТХОН-6. Вежбајте
ПИТХОН-7. Водич за Питхон стил (бонус)

Основне математике - 7 недеља

МАТХ-1. Бројеви и изрази
МАТХ-2. Једначине и неједначине
МАТХ-3. Основни појмови теорије функција
МАТХ-4. Основи геометрије: планиметрија, тригонометрија и стереометрија
МАТХ-5. Скупови, логика и елементи статистике
МАТХ-6. Комбинаторика и основе теорије вероватноће
МАТХ-7. Решавање проблема

Рад са подацима - 8 недеља 

У овој фази ћете савладати основне вештине података: како припремити, очистити и трансформисати податке тако да буду погодни за анализу. Говорећи о анализи: анализираћете податке користећи популарне библиотеке Матплотлиб, Сеаборн, Плотли.

ПИТХОН-8. Дата Сциенце Тоолс
ПИТХОН-9. НумПи библиотека
ПИТХОН-10. Увод у Панде
ПИТХОН-11. Основне технике за рад са подацима у Пандас
ПИТХОН-12. Напредне технике података у Пандама
ПИТХОН-13. Чишћење података
ПИТХОН-14. Визуелизација података
ПИТХОН-15. Принципи ООП-а у Питхон-у и код за отклањање грешака (опциони модул)
Пројекат 1. Аналитика скупова података о затвореним питањима

Учитавање података - 6 недеља

Моћи ћете да преузимате податке из различитих формата и извора. А СКЛ, језик структурираних упита, помоћи ће вам у томе. Научићете да користите агрегатне функције, спојеве табела и сложене спојеве.
ПИТХОН-16. Како преузети податке из датотека различитих формата
ПИТХОН-17. Преузимање података из веб извора и АПИ-ја
СКЛ-0. Здраво СКЛ!
СКЛ-1. Основе СКЛ-а
СКЛ-2. Агрегатне функције
СКЛ-3. Спојне табеле
СКЛ-4. Комплексни спојеви
Пројекат 2. Учитавање нових података. Рафинирање анализе

Статистичка анализа података - 7 недеља 

Анализа обавештајних података (ЕДА) је оно што ће бити ваш фокус. Упознат ћете се са свим фазама такве анализе и научити како да је спроведете користећи библиотеке Статсмоделс, Сцикит Леарн, Сеаборн, Матплотлиб, СциПи, Пандас. Поред тога, моћи ћете да радите на Каггле-у, популарном сервису за учешће на такмичењима.
ЕДА-1. Увод у анализу обавештајних података. ЕДА алгоритми и методе
ЕДА-2. Математичка статистика у контексту ЕДА. Врсте карактеристика
ЕДА-3. Феатуре Енгинееринг
ЕДА-4. Статистичка анализа података у Питхон-у
ЕДА-5. Статистичка анализа података у Питхон-у. Део 2
ЕДА-6. Дизајн експеримената
ЕДА-7. Каггле платформа
Пројекат 2

Увод у машинско учење – 9 недеља

Упознат ћете се са МЛ библиотекама за моделирање зависности података. Бићете у могућности да обучите главне типове МЛ модела, извршите валидацију, интерпретирате резултате рада и изаберете важне карактеристике (важност карактеристика).
МЛ-1. Теорија машинског учења
МЛ-2. Учење под надзором: Регресија
МЛ-3. Учење под надзором: класификација
МЛ-4. Учење без надзора: Технике груписања и смањења димензионалности
МЛ-5. Валидација података и евалуација модела
МЛ-6. Избор и избор особина
МЛ-7. Оптимизација хиперпараметара модела
МЛ-8. МЛ Цоокбоок
Пројекат 3. Проблем класификације

ГЛАВНА ЈЕДИНИЦА

Линеарна алгебра, математичка анализа, дискретна математика - звучи застрашујуће, али не плашите се: анализираћемо све ове предмете и научити вас како да радите са њима! У другој фази ћете уронити у математику и основе машинског учења, сазнати више о ДС професијама и, кроз каријерно вођење, изабрати другу годину студија.

Математика и машинско учење. Део 1 - 6 недеља

Моћи ћете да решавате практичне проблеме користећи ручно израчунавање и Питхон (векторска и матрична израчунавања, рад са скуповима, проучавање функција коришћењем диференцијалне анализе).
МАТХ&МЛ-1. Линеарна алгебра у контексту линеарних метода. Део 1
МАТХ&МЛ-2. Линеарна алгебра у контексту линеарних метода. Део 2
МАТХ&МЛ-3. Математичка анализа у контексту оптимизацијског проблема 1. део
МАТХ&МЛ-4. Математичка анализа у контексту оптимизацијског проблема. Део 2
МАТХ&МЛ-5. Математичка анализа у контексту оптимизацијског проблема. део 3
Пројекат 4. Проблем регресије

Математика и машинско учење. Део 2 - 6 недеља

Упознат ћете се са основним концептима теорије вероватноће и математичке статистике, алгоритама груписање, а такође научите да процените квалитет извршеног кластерисања и представите резултате у графички облик.
МАТХ&МЛ-6. Теорија вероватноће у контексту наивног Бајесовог класификатора
МАТХ&МЛ-7. Алгоритми засновани на стаблу одлучивања
МАТХ&МЛ-8. Боостинг & Стацкинг
МАТХ&МЛ-9. Технике груписања и смањења димензионалности. Део 1
МАТХ&МЛ-10. Технике груписања и смањења димензионалности. Део 2
Пројекат 5. Методе ансамбла

Дискретна математика - 4 недеље

МАТХ&МГУ-1 Сетови и комбинаторика
МАТХ&МГУ-2 Логиц
МАТХ&МГУ-3 Графови. Део 1
МАТХ&МГУ-4 Графови. Део 2

МЛ у послу - 8 недеља

Научићете да користите МЛ библиотеке за решавање проблема временских серија и система препорука. Моћи ћете да обучите МЛ модел и потврдите га, као и да креирате радни прототип и покренете модел у веб интерфејсу. Такође стекните вештине А/Б тестирања како бисте могли да процените модел.
МАТХ&МЛ-11. Временске серије. Део 1
МАТХ&МЛ-12. Временске серије. Део 2
МАТХ&МЛ-13. Системи препорука. Део 1
МАТХ&МЛ-14. Системи препорука. Део 2
ПРОД-1. Припрема модела за производњу
ПРОД-2. ПрототипеСтреамлит+Хероку
ПРОД-3. Пословно разумевање. Случај
Пројекат 6. Тема коју можете изабрати: Временске серије или Системи препорука

ПРО ЛЕВЕЛ

У трећој фази упознаћете се са једном од метода машинског учења – дубоко учење (ДЛ). А такође вас очекује и пуноправни блок изабране специјализације: можете савладати вештине машинског учења (МЛ), упознајте се са рутином ЦВ-а (компјутерски вид) или побољшајте НЛП*, природну обраду Језик.

Друга година студија - 3 специјализације на избор

Каријерно вођење

МЛ, ЦВ или НЛП: у овој фази коначно морате да направите избор којим путем да кренете. Рећи ћемо вам о свакој специјализацији и понудити вам да решите неколико практичних проблема како бисмо вам олакшали одлуку.

Трак МЛ - инжењер

У МЛ стази научићете да решавате детаљне проблеме машинског учења, савладате компетенције инжењера података и усавршите своје вештине у раду са Питхон библиотекама. Такође ћете научити како да креирате МВП (минимална одржива верзија производа), научићете све замршености извођења МЛ модела у производњу и научити како МЛ инжењери раде у стварном животу.
Увод у дубоко учење
Основе инжењеринга података
Додатна поглавља о Питхон-у и МЛ-у
Економска оцена ефеката и развој МВП-а
МЛ до производње
Детаљна студија развоја МЛ и дипломски пројекат на одабрану тему

Трака ЦВ - инжењер

На биографији ћете научити да решавате проблеме компјутерског вида као што су класификација слика, сегментација и детекција, генерисање и стилизација слике, рестаурација и побољшање квалитета фотографије. Поред тога, научићете како да уведете неуронске мреже у производњу.
Увод у дубоко учење
Основе инжењеринга података
Додатна поглавља о Питхон-у и МЛ-у
Економска оцена ефеката и развој МВП-а
МЛ до производње
Детаљна студија развоја МЛ и дипломски пројекат на одабрану тему

Трацк НЛП - инжењер

Током обуке на НЛП стази, научићете како да решите главне проблеме обраде природног језика, у укључујући класификацију, сумирање и генерисање текста, машинско превођење и креирање дијалога система
Увод у дубоко учење
Математика неуронских мрежа за НЛП
Хард & софтвер за решавање НЛП проблема
НЛП задаци и алгоритми
Неуронске мреже у производњи
Детаљно проучавање развоја НЛП-а и дипломски пројекат на одабрану тему

Ако одаберете специјализацију за ЦВ или МЛ, можете бесплатно похађати НЛП курс без менторске подршке.

Дубоко учење и неуронске мреже

Где се користе неуронске мреже? Како тренирати неуронску мрежу? Шта је дубоко учење? Одговоре на ова питања ћете сазнати у бонус одељку ДЛ-а.

Увод у инжењеринг података

Научићете разлику између улога дата научника и дата инжењера, које алате овај други користи у свом раду и које задатке решава свакодневно. Речи „пахуља”, „звезда” и „језеро” добиће нова значења :)