«Машинное обучение и анализ данных»
повысьте продуктивность сотрудников.
совместно с сотрудниками





* В течение 10 лет Data Scientist станет самой популярной профессией века».
Scientist

Для кого эта
специализация

Для
выпускников
и студентов
и естественно-научных факультетов,
которые не изучали анализ данных,
но хотят получить востребованную специальность и хорошо зарабатывать.

Для
профессиональных
аналитиков

Для
директоров
компаний
Особенности
специализации
от А до Я


Полностью на русском
Дистанционно


Дипломный проект,
применимый на практике
Трудоустройство
в топовые компании

Лекторы

Константин Воронцов

Вадим Стрижов

Евгений Рябенко

Евгений Соколов

Виктор Кантор

Эмели Драль
Программа обучения

5 курсов

Дипломный проект



«Математика и Python для анализа данных»
Неделя 1
Введение.
Неделя 2
Библиотека Python и линейная алгебра.
Неделя 3
Оптимизация и матричные разложения.
Неделя 4
Случайность
Анализ данных и машинное обучение опираются на результаты из математического анализа, линейной алгебры и теории вероятностей. Без фундаментальных знаний по этим наукам невозможно понять методы анализа данных.
Первый курс сформирует этот фундамент. Мы без сложных формул и доказательств раскроем смысл математических понятий и объектов.
«Обучение на размеченных данных»
Неделя 1
Машинное обучение и линейные модели.
Неделя 2
Линейные модели и оценка качества.
Неделя 3
Решающие деревья и композиции моделей.
Неделя 4
Нейронные сети и обзор методов.
Обучение на размеченных данных или обучение с учителем — это возможность предсказать величину для любого объекта, имея конечное число примеров. Например, уровень пробок на участке дороги, возраст пользователя по его действиям в интернете, цену на подержанную машину. На этом курсе вы научитесь формулировать и решать такие задачи.
«Поиск структуры в данных»
Неделя 1
Методы кластеризации.
Неделя 2
Понижение размерности и матричные разложения.
Неделя 3
Визуализация данных и поиск аномалий.
Неделя 4
Тематическое моделирование.
Из курса вы узнаете об алгоритмах кластеризации данных, с помощью которых можно искать группы схожих клиентов мобильного оператора. Вы научитесь строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные.
«Построение выводов по данным»
Неделя 1
Основы статистики и проверка гипотез.
Неделя 2
АБ-тесты: основы планирования, дизайн и интерпретация результатов.
Неделя 3
Анализ зависимостей.
Неделя 4
Скоринг, биоинформатика.
Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? Действительно ли новый баннер лучше старого? Чтобы ответить на такие вопросы, нужно собрать данные. 99% данных содержат "шум", поэтому выводы на их основе не верны, а только вероятны. На этом курсе вы научитесь строить корректные выводы, оценивать параметры, проверять гипотезы и устанавливать причинно-следственные связи.
«Прикладные задачи анализа данных»
Неделя 1
Бизнес-задачи.
Неделя 2
Анализ медиа.
Неделя 3
Анализ текстов.
Неделя 4
Рекомендации и ранжирование.
В этом курсе мы разберем прикладные задачи из различных областей анализа данных: анализ текста и информационный поиск, коллаборативная фильтрация и рекомендательные системы, бизнес-аналитика, прогнозирование временных рядов.
Вы научитесь сводить задачу заказчика к формальной постановке задачи машинного обучения и поймёте, как проверять качество построенной модели на исторических данных и в онлайн-эксперименте. На каждой задаче мы изучим плюсы и минусы пройденных алгоритмов машинного обучения.
«Анализ данных: финальный проект»
Финальный проект даст вам возможность проверить свои силы и применить полученные в рамках специализации знания к задаче из реального мира. Вы самостоятельно сможете поработать над актуальным проектом в одной из областей: электронная коммерция, социальные медиа, информационный поиск и бизнес-аналитика.
Проекты:
Идентификация интернет-пользователей
Прогнозирование оттока клиентов
Прогнозирование временных рядов на карте
Анализ тональности отзывов
