Что такое Python?Основные структуры данных и типы переменныхAnaconda & Jupyter NotebookУсловияЦиклыФункциональное программированиеОбъектно-ориентированное программированиеАлгоритмы сортировки

Основы синтаксисаСоединение таблицОконные функцииРанжирующие функцииФункции смещения

Векторы и операции над нимиМатрицы и операции над нимиСистемы линейных уравнений (СЛАУ)Методы решения систем линейных алгебраических уравненийМатричные разложенияСингулярное разложение матриц SVD

Графики функцийПредел и производнаяЗадача нахождения экстремумаИнтегралГрадиент

ВведениеОсновные статистические критерииМощность и корректностьЧто нужно знать перед запуском теста?Метод повышения чувствительности CUPED

Градиентный спускСтохастический градиентный спуск

Основные определенияСвойства вероятностиУсловная вероятностьФормула полной вероятности и Теорема БайесаЭлементы комбинаторики

Что такое Data Science и для чего он нужен?Подробный процесс разработки моделейРазведочный анализ данных (exploratory data analysis, EDA)Визуализация: библиотеки и методыОбучение с учителемОбучение без учителяПреобразования признаковМетоды масштабирования признаковКодирование категориальных признаков

Решающие деревьяПостроение деревьевКритерии информативностиКритерий информативности для регрессииКритерий информативности для классификацииЭнтропийный критерий информативностиКритерий остановаСтрижка деревьевКомпозиции деревьевБутстрапБэггингСлучайные лесаОпределение бустингаГрадиентный бустингXGBoost

Naive Bayes

Метод k-ближайших соседейМетрики

Метрики качества кластеризацииK-meansГрафовые методы. Spectral ClusteringИерархическая кластеризацияDBSCANМетод главных компонент PCA

Kaggle-соревнования - как участвовать в них эффективнее?Ключевые моменты, на которые нужно обратить внимание на старте соревнованияПродумывание и подготовка скелета пайплайна решенияНаращиваем «мясо» на скелет - на что делать акцент, как искать инсайты?Объединение в команду - баг или фича?Дилемма выбора финальных решений

В чем отличия от классического ML?Почему это стало возможным?Преимущества глубокого обученияСферы примененияКлючевые компоненты алгоритма глубокого обученияОсновные глубокие архитектурыПодход к изучению: что должен знать специалист по DL?

Составление резюме и сопроводительного письмаЗалог успешной самопрезентацииГде искать вакансии и как выходить напрямую в компании

БлендингСтэкинг

Линейная регрессияМетод максимального правдоподобияМетрики качества в задачах регрессииЛинейные алгоритмы. КлассификацияЛинейный классификаторОшибка в задачах классификации. Функция потерьSVM. Нелинейные ядраСпрямляющие пространстваЛогистическая регрессияМетрики качества в задачах классификации

Основные определенияОписательные статистикиПараметры, характеризующие разбросНормальное распределениеЦентральная предельная теоремаДоверительные интервалыПроверка гипотез. Меры различийПараметрические критерии. Одновыборочный критерий t-СтьюдентаПараметрические критерии. Двухвыборочный критерий t-СтьюдентаНепараметрические критерии. Критерии Манна-УитниКорреляцияКорреляция ПирсонаКорреляция Спирмена

Быстрое погружение в лингвистикуПревращение текста в векторМорфологический анализСравнение текстовЗадачи NLPМашинное обучение на текстахФичи на текстахЗадачи машинного обучения на текстахBest practicesАльтернативные подходы к подготовке фичей на текстахЗадачи выделения фактов

Написание переиспользуемого кодаФорматирование, оптимизация и улучшение кодаREST APIФреймворки FastAPI и StreamlitЧто такое Docker? Основные компонентыDocker ComposeРазвертывание ML проекта в Docker

РегуляризацияОценка работы алгоритмаОтложенная выборкаКросс-валидацияКросс-валидация со стратифицированной выборкой

Курс будет полезен как тем, кто только хочет войти в сферу Data Science, изучить основы и устроиться на позицию Junior Data Science/Data Analyst, так и тем, кто хочет изучить машинное обучение для своих профессиональных задач, развивая ту область, где вы сейчас работаете, например в сфере медицины

Обучение длится 6 месяцев, после которых бесплатно могут получить консультацию выпускники/те кто не успел в срок по их вопросам (в случае если студент оплатил все 6 месяцев), также бесплатно проводится проверка итогового проекта и проведение тестового собеседования (в рамках обучения)

Так как собеседование и называется тестовым, вы можете пройти его с 3-х попыток. Так вы обратите внимание на свои пробелы в знаниях и что самое главное, укрепите свои знания, вы будете уже более уверенны на реальном собеседовании. Если вы не получили сертификат о прохождении курса, это не означает, что вас не возьмут на работу, вам необходимо еще раз повторить материал, заполнить пробелы в знаниях, тогда результат не заставит себя ждать!

Да, сертификат о прохождении курса будет выдаваться, но необходимо, чтобы вы выполнили не менее половины от практических домашних заданий, сделали pet-project, а также успешно прошли тестовое собеседование (более 70% правильных ответов)

Да, так как мы осуществляем образовательную деятельность на основании лицензии № Л035-01255-50/00638643. Более подробно вы можете прочитать в следующей статье, либо написать нам на почту в разделе "Контакты"

Вы можете оплатить сразу весь курс, либо оплачивать помесячно. Также вы можете взять рассрочку, предварительно оплатив первоначальный взнос, и выплачивать стоимость курса по частям. Более подробно про условия рассрочки

Необходимо иметь базовые знания математического анализа, линейной алгебры, иметь опыт решения интегралов и производных, опыт выполнения операций над матрицами но, если вы этого не помните, ничего страшного, главное, что был опыт решения подобных задач

Обучающийся может оплатить полностью курс, но в течение первых двух недель, если он понял, что курс ему не подходит, может вернуть деньги за непройденные занятия. Если по какой-то причине он выбирает отказаться позднее, чем через 2 недели, то сумма не возвращается. Также обучающийся может оплатить курс помесячно, для первого месяца к нему применимы те же правила, что и выше, также он может пройти половину курса, понять что ему тяжело/не подходит, остановить процесс обучения тем, что просто не будет продолжать оплачивать следующие часы

Как правило, подобный материал не структурирован, вам будет требоваться больше времени на его изучение, к тому же необходим высокий уровень самоорганизации. На курсе есть поддержка преподавателей, вы можете задавать напрямую вопросы тем, кто уже работает в Data Science несколько лет. Самое главное преимущество — это то, что мы готовим вас к реальному собеседованию, проводим митапы, где вы учитесь лучше усваивать материал и доносить его до других, также мы даем вам поработать с реальными данными и задачами, помогаем с pet-project (финальный проект)

Лекции проходят в формате онлайн. Все материалы и видео-лекции будут доступны на платформе zenlass, к которой вы получите доступ после оплаты по почте, которую указали при оплате. Домашние задания вам будет необходимо загружать на платформу, при проверке материала, в вашем файле мы будем оставлять комментарии по решению. Важным моментом является и самостоятельная работа, мы даем в качестве домашнего задания дополнительную литературу, где помогаем на данном этапе учиться работать со сторонней информацией, также вы постепенно учитесь понимать, какие статьи вам необходимо читать среди всего того многообразия, что есть в интернете. Если у вас появляются вопросы, вы можете задавать их на онлайн уроках, а также в Discord, помимо этого можете общаться и с другими учащимися

Если вы успешно пройдете курс и как минимум ответите на большинство вопросов на тестовом собеседовании, то ваши шансы на получение работы кратно увеличатся, далее все будет зависеть от того, насколько вы собраны и глубоко погрузились в материал лекций