Курс Data Science для начинающих
Реальные задачи и проекты, разбор алгоритмов и методов машинного обучения, пробное собеседование
Записаться
< Старт: 27 марта >
Анастасия Никулина
Curiosity about life in all its aspects, I think, is still the secret of great creative people.
< Длительность: 8 месяцев >
< Уровень: С нуля >
//
количество мест ограничено, старт 4-го потока: 27 марта
< Детальнее о курсе >
О курсе
С каждым годом растет число вакансий по машинному обучению, курсов, которые помогают вам приобрести знания в данной сфере, но и параллельно растет конкуренция. Чтобы оставаться конкурентным, повысить свои шансы на получение работы в Data Science, вы должны знать, что сейчас актуально, какие требования у компаний к специалистам
Данный курс поможет вам обрести базис, понимание, как работают алгоритмы, что находится у них «под капотом», в каких случаях применять тот или иной метод, также он поможет вам применять полученные знания для собственного проекта, если вы хотите использовать машинное обучение, оставаясь на текущем месте работы
Прочитать полностью
Подойдет для начинающих: если вы хотите освоить машинное обучение, не важно, в какой сфере вы до этого работали. Необходимы базовые знания математического анализа: производные и интегралы
Для кого
< 01. >
Знания, как работают алгоритмы машинного обучения
Практика на реальных данных
Собственный pet-project
Практика на реальных данных
Собственный pet-project
Что получаете
Помогаем грамотно составить резюме. Проведем тестовое собеседование. Рекомендуем выпускников компаниям-партнерам
Трудоустройство
Ваше резюме после курса
< 02. >
< 03. >
Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а такжесделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Преподаватели
< Cпециалисты в своем деле >
*
Ex DS Росбанк, OMD, МТС
*
Преподаватель CEO & Founder PyMagic
*
Автор канала про машинное обучение на YouTube
Анастасия Никулина
1/5
Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а такжесделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Преподаватели
< Cпециалисты в своем деле >
*
Лекции по AI: video.razinkov.ai
*
CSO в Pr3vision Technologies Inc.
*
Преподаватель курса к.ф.-м.н.
*
Руководитель AI-отдела в FIX LLC
Евгений Разинков
2/5
Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а такжесделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Преподаватели
< Cпециалисты в своем деле >
*
Фрилансер IT-рекрутер, карьерный консультант
*
Преподаватель курса HR Generalist RQC
*
Ex IT Recruiter ANCOR, HR Manager QIWI
Юлия Морозова
3/5
Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а такжесделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Преподаватели
< Cпециалисты в своем деле >
4/5
*
Преподаватель курса
NLP Data Scientist в EORA
NLP Data Scientist в EORA
*
Аспирант в Innopolis University
Айдар Валеев
Наши преподаватели поделятся основными фишками, как учить материал, проведем митапы, чтобы лучше разобраться, как устроены алгоритмы, поработаем над soft-skills, а такжесделаем предварительное собеседование с актуальными вопросами на позицию Data Scientist
Преподаватели
< Cпециалисты в своем деле >
*
Lead ML Engineer центра ML инструментов
*
Преподаватель курса Kaggle Competitions Grandmaste
Антон Вахрушев
5/5
< Не просто программа >
Качественные знания и реальные задачи
Курс поможет в приобретении сильной и качественной базы в области машинного обучения. На курсе вы будете решать практические задачи на реальных данных. Также разберемся, какие результаты для компании дают ML модели, как проводится A/B тестирование, и познакомим вас с NLP и Deep learning
< Что вы изучите на курсе >
Программа
Кликните на +, чтобы раскрыть нужную тему
Основы Python
- Что такое Python?
- Основные структуры данных и типы переменных
- Anaconda & Jupyter Notebook
- Условия
- Циклы
- Функциональное программирование
- Объектно-ориентированное программирование
- Алгоритмы сортировки
SQL
- Основы синтаксиса
- Соединение таблиц
- Оконные функции
- Ранжирующие функции
- Функции смещения
- Векторы и операции над ними
- Матрицы и операции над ними
- Системы линейных уравнений (СЛАУ)
- Методы решения систем линейных алгебраических уравнений
- Матричные разложения
- Сингулярное разложение матриц SVD
Математический анализ
Линейная алгебра
- Графики функций
- Предел и производная
- Задача нахождения экстремума
- Интеграл
- Градиент
- Введение
- Основные статистические критерии
- Мощность и корректность
- Что нужно знать перед запуском теста?
- Метод повышения чувствительности CUPED
Статистика
А/Б тестирование
- Основные определения
- Описательные статистики
- Параметры, характеризующие разброс
- Нормальное распределение
- Центральная предельная теорема
- Доверительные интервалы
- Проверка гипотез. Меры различий
- Параметрические критерии. Одновыборочный критерий t-Стьюдента
- Параметрические критерии. Двухвыборочный критерий t-Стьюдента
- Непараметрические критерии. Критерии Манна-Уитни
- Корреляция
- Корреляция Пирсона
- Корреляция Спирмена
- Градиентный спуск
- Стохастический градиентный спуск
Теория вероятностей
Методы оптимизации
- Основные определения
- Свойства вероятности
- Условная вероятность
- Формула полной вероятности и Теорема Байеса
- Элементы комбинаторики
Машинное обучение. Введение
Способы борьбы с переобучением
Линейные алгоритмы
Деревья
- Регуляризация
- Оценка работы алгоритма
- Отложенная выборка
- Кросс-валидация
- Кросс-валидация со стратифицированной выборкой
- Что такое Data Science и для чего он нужен?
- Подробный процесс разработки моделей
- Разведочный анализ данных (exploratory data analysis, EDA)
- Визуализация: библиотеки и методы
- Обучение с учителем
- Обучение без учителя
- Преобразования признаков
- Методы масштабирования признаков
- Кодирование категориальных признаков
- Решающие деревья
- Построение деревьев
- Критерии информативности
- Критерий информативности для регрессии
- Критерий информативности для классификации
- Энтропийный критерий информативности
- Критерий останова
- Стрижка деревьев
- Композиции деревьев
- Бутстрап
- Бэггинг
- Случайные леса
- Определение бустинга
- Градиентный бустинг
- XGBoost
- Линейная регрессия
- Метод максимального правдоподобия
- Метрики качества в задачах регрессии
- Линейные алгоритмы. Классификация
- Линейный классификатор
- Ошибка в задачах классификации. Функция потерь
- SVM. Нелинейные ядра
- Спрямляющие пространства
- Логистическая регрессия
- Метрики качества в задачах классификации
Метрические алгоритмы
Байесовские модели
Кластерный анализ
NLP
- Naive Bayes
- Метод k-ближайших соседей
- Метрики
- Быстрое погружение в лингвистику
- Превращение текста в вектор
- Морфологический анализ
- Сравнение текстов
- Задачи NLP
- Машинное обучение на текстах
- Фичи на текстах
- Задачи машинного обучения на текстах
- Best practices
- Альтернативные подходы к подготовке фичей на текстах
- Задачи выделения фактов
- Метрики качества кластеризации
- K-means
- Графовые методы. Spectral Clustering
- Иерархическая кластеризация
- DBSCAN
- Метод главных компонент PCA
Deep Learning
Kaggle
- Kaggle-соревнования - как участвовать в них эффективнее?
- Ключевые моменты, на которые нужно обратить внимание на старте соревнования
- Продумывание и подготовка скелета пайплайна решения
- Наращиваем «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 обучения
- Сферы применения
- Ключевые компоненты алгоритма глубокого обучения
- Основные глубокие архитектуры
- Подход к изучению: что должен знать специалист по DL?
Введение ML в production
Трудоустройство
- Составление резюме и сопроводительного письма
- Залог успешной самопрезентации
- Где искать вакансии и как выходить напрямую в компании
- Написание переиспользуемого кода
- Форматирование, оптимизация и улучшение кода
- REST API
- Фреймворки FastAPI и Streamlit
- Что такое Docker? Основные компоненты
- Docker Compose
- Развертывание ML проекта в Docker
Ансамблирование/стекинг/блендинг/
- Блендинг
- Стэкинг
< От теории к практике >
Трудоустройство
Подготовка резюме
Поможем составить резюме и написать сопроводительное письмо, чтобы выделить вас среди тысячи других кандидатов. Научим грамотно презентовать свои навыки и использовать предыдущий опыт для новой специализации Data Science. Проведет лекцию и проконсультирует HR-эксперт QIWI
Выпускников, которые успешно закончили курс по Образовательной программе, рекомендуем компаниям-партнерам среди которых Сбер, МТС, Ozon, Яндекс, Росбанк и другие
Рекомендации
На всем этапе трудоустройства до момента оффера сопровождаем выпускников, помогаем с разбором ошибок: на какие темы необходимо обратить внимание и как лучше к ним подготовиться, чтобы в дальнейшем увеличить вероятность прохождения собеседования
Сопровождение
Ваше резюме после обучения
< # if знания бесценны == true: print(”go!”) >
Стоимость курса
Скидка 25 500₽ при полной оплате/в рассрочку
Полная оплата
105 900₽
Купить
Оплата в течение 6 месяцев
Помесячно
< Тип оплаты >
21 900₽
Купить
При оплате в рассрочку на 12 месяцев ваша оплата будет
В рассрочку
8 825₽/мес.
Подробнее
Узнать подробнее
Если у вас остались вопросы / хотите оплатить в рассрочку, напишите нам, мы ответим на все ваши вопросы по курсу
< Тип оплаты >
< Тип оплаты >
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Отличный курс, Анастасия собрала колоссальное количество материала не только по самим алгоритмам машинного обучения, но и по всем аспектам работы data scientist'a. Отдельно хотелось бы отметить качество лекций и презентаций и индивидуальный подход к проверке заданий. Благодаря подробному фидбеку по домашним заданиям и доступности лекций и презентаций...
студент 1го потока курса по Data Science для начинающих
@statdikansky
1/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Летом, когда понял, что хочу попробовать себя в IT и начал проходить курс по питону на степике, встал вопрос об обучении на курсе. Я считаю, что ментор должен быть обязательно, ведь с ним можно пройти тот же путь гораздо быстрее и эффективнее за счёт опыта этого самого ментора Когда узнал о вашем курсе - сразу понял, что это моя остановочка, тк pymagic - это углубленное продолжение...
студент 1го потока курса по Data Science для начинающих
@☜MZ☞
2/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Оставлю отзыв о данном курсе.) Сферу DS выбрал не случайно. Было немного аналитики в сфере экологии на предыдущей работе, но в экселе и не в таком большом объеме. Известные «онлайн-универы» для обучения не рассматривал. В общем, ни разу не пожалел о том, что выбрал именно этот курс. Что особенно понравилось: структурированная информация по алгоритмам ML; тестовый собес; помощь...
студент 1го потока курса по Data Science для начинающих
@Alex_Iksanov
3/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Отзыв) занималась на многочисленных курсах Coursera, stepic, udemy. Есть навивки программирования на Python, работы в sql. Шла на этот курс для того, чтобы все знания сгруппировать, умножить и разложить для себя по полочкам. Данный курс мне очень помог. Хочу похвастаться в период обучения нашла работу аналитика данных. Советую будущим ученикам перед началом ознакомиться с основами Python, тогда будет...
студент 1го потока курса по Data Science для начинающих
Марина Шишкова
4/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Занимался у Анастасии на курсах PyMagic на первом потоке. Курсы очень понравились, видно, что для их подготовки была проделана огромная работа! Материал очень качественный, теория подтверждается практикой и примерами из реальных рабочих кейсов. При посещении лекций и прослушивании материала дома, а также выполнении домашних заданий и работы над ошибками, можно очень быстро и глубоко погрузиться в эту сферу...
студент 1го потока курса по Data Science для начинающих
Денис Плотников
5/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Курс просто отличный, ни разу не возникло мысли, что оно того не стоит. Структурированные презентации с подробным и понятным изложением материала. Отдельная любовь это ноутбуки после каждой темы, где показано применение теории на реальных данных и имплементация некоторых алгоритмов. Мне кажется, было обработано очень много информации с различных источников и переведено на доступный для начинающих язык...
студент 2го потока курса по Data Science для начинающих
Дарья Прудникова
6/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
От всей души пишу данный отзыв о курсе Data Science от PyМagic, так как в существующем многообразии представленных на рынке образовательных программ - очень трудно найти что-то действительно стоящее! Я проходила курс с февраля по август 2022 года - за плечами у меня инженерное образование + опыт работы в строительном секторе (математику изучала в техническом вузе), а вот в программировании была полный ноль. До того...
студент 2го потока курса по Data Science для начинающих
Марина Панова
7/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Выбрала именно этот курс, потому что мне понравился контент Анастасии на ее ютуб канале. В итоге, не пожалела! Конечно, моментами было очень тяжело, но она отвечала на все вопросы и обратная связь была довольно быстрая. И хоть я сдала некоторые дз довольно поздно, и сам проект в том числе, но Анастасия даже после окончания курса помогала мне во всем разобраться. И говоря о проекте, он был очень полезен и весьма помог...
студент 2го потока курса по Data Science для начинающих
@khava
8/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
На момент объявления о наборе первого потока, за каналом Анастасии наблюдал около полугода. Первое видео, которое посмотрел было «Основы МАТАНА для Data Science за 15 МИНУТ // 1 Часть обучающих видео». Хотел записаться на первый поток, но по разным обстоятельствам не смог (в основном придумал себе причины из разряда, много работы ничего не буду успевать т.д.). Очень ждал анонс второго потока. Когда состоялся анонс...
студент 2го потока курса по Data Science для начинающих
@Roman_M
9/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Курс просто бомба! Будет понятен всем, даже тем, у кого не было навыков программирования. Очень доступный материал, если что-то не понятно, Анастасия будет объяснять, пока не станет понятно (всем бы ее терпение). Интересно построены сами лекции, где половина занятия - теория, вторая половина - практика. Не все дз получались, но Анастасия, либо ребята на курсе всегда рады помочь. Максимально полезные разбор резюме и...
студент 2го потока курса по Data Science для начинающих
Мария
10/11
Отзывы участников
< Что думают люди >
Смотреть весь отзыв
Спасибо большое за все полученные знания и помощь!! Курс мне очень помог. Всё было очень понятно и структурированно. Я пыталась до этого изучать машинное обучение сама, что-то читала, смотрела, но понимания не было. А теперь всё по полочкам разложено. Мне очень понравилось, что на курсе помогают с резюме и поиском работы после него, а так же прямо во время курса в связи с изменениями на рынке были сделаны...
студент 2го потока курса по Data Science для начинающих
@Vlada
11/11
