Специалист по Data Science
Сертифицированная программа национального проекта «Цифровая экономика». Изучение всех направлений современного анализа данных: от основ программирования и дискретной математики до машинного обучения, прикладной статистики, Big Data и не только.
Расписание занятий: по понедельникам и средам (19:00 - 22:00)
Старт курса
06.11.2023
Продолжительность
18 месяцев
Формат обучения
Очный
Документ
Диплом о профессиональной переподготовке НИУ ВШЭ
О профессии
Специалист по Data Science — тот, кто разрабатывает алгоритмы для работы с данными. Например, придумывает рекомендательную систему для музыкального сервиса, строит модель ценообразования для сети магазинов или создает бота-помощника.
Наш курс по анализу данных и машинному обучению охватывает все разделы современной науки о данных, в том числе Deep Learning и его применение в технологиях искусственного интеллекта.
Вы начнете с самых основ — изучения программирования и базовых разделов математики — и перейдете к теме Machine Learning, прикладной статистике и практическому использованию фреймворков для проведения распределительных операций неструктурированных данных. Получите опыт решения прикладных задач в области дата-анализа и обработки Big Data, сможете применять навыки дата-сайентиста в работе с изображениями, текстами, сигналами и нейросетями.
По итогам обучения вы получите актуальные знания по Data Science, проекты в портфолио и диплом о профессиональной переподготовке установленного НИУ ВШЭ образца.
Для кого
Очная программа «Специалист по Data Science» предназначена слушателям, желающим разобраться в анализе данных
Начинающим
Изучите основы программирования, математики, машинного обучения и работы с Big Data
Специалистам не из IT
Освоите новые методы и инструменты для работы с данными в своей области
Программистам
Освежите в памяти алгоритмы и структуры данных и научитесь обучать нейронные сети
Программа обучения
За 18 месяцев профессиональной переподготовки в НИУ ВШЭ вы изучите Python и SQL, прикладную математику и статистику, алгоритмы и структуры данных, Machine Learning и другие темы.
Python для автоматизации и анализа данных 18 занятий
Научитесь работать с основными конструкциями и структурами данных в Python.
- Введение в Python, Jupyter. Ввод-вывод, основные типы данных (int, float, str). Первые функции;
- Логические переменные, операции и операторы сравнения. Условия if-elif-else. Условный цикл while. Списки, кортежи, последовательности;
- Множества. Словари. Вложенные структуры данных. Методы строк, списков. Срезы;
- Цикл for. Вложенный цикл for;
- Функции. Рекурсия. О-нотация; Текстовые файлы и таблицы;
- Регулярные выражения; Классы и основы ООП. Декораторы;
- Телеграм-бот на Python. Работа с SQL и базами данных с помощью Python;
- Введение в numpy. Работа с векторами и матрицами. Введение в pandas;
- Pandas продолжение. Разведочный анализ данных (EDA);
- Сбор данных: скрейпинг, requests, BeautifulSoup;
- Сбор данных: requests, BeautifulSoup — продолжение;
- Сбор данных: работа с сервисами через API;
- Сбор данных: Selenium, работа с сервисами через API;
- Визуализация для презентации данных: matplotlib, seaborn;
- EDA особенности;
- Предобработка текстов: лемматизация, удаление стоп-слов.
SQL 5 занятий
Познакомитесь с базами данных.
- Введение в базы данных. Обращение к базе данных. Типы данных. Фильтрация данных;
- Агрегирующие функции. Функции работы с датами. Функции работы со строками;
- Взаимоотношения между таблицами. Операторы JOIN и UNION;
- Подзапросы и временные таблицы;
- Оконные функции.
Алгоритмы и структуры данных 10 занятий
Получите представление о том, как работают стандартные контейнеры, научитесь анализировать алгоритмы и оценивать эффективность их работы.
- Асимптотика. Нотация О-большое. Измерение времени работы программы;
- Базовые структуры данных (список, стек, дек, очередь);
- Базовые структуры данных (сет, мэп, хэш-таблицы);
- Сортировки: итеративные, линейные, рекурсивные. Поиск;
- Динамическое программирование;
- Алгоритмы на строках. Сравнение строк. Расстояние редактирования;
- Теория графов. Введение. Алгоритмы обхода графов;
- Поиск кратчайших путей в графе;
- Минимальное остовное дерево;
- Эвристические и приближенные алгоритмы.
Математика для анализа данных 19 занятий
Изучите основные разделы и методы математического анализа, линейной алгебры, основ статистики и теории вероятностей для понимания работы алгоритмов машинного обучения.
Дискретная математика:
- Множества и логика;
- Комбинаторика и вероятность;
- Неориентированные графы;
- Ориентированные графы и алгоритмы на графах.
Математический анализ:
- Функции одной переменной, пределы, производные;
- Касательные, критические точки, поиск минимумов и максимумов;
- Интегралы, введение в вычисление интегралов;
- Функции нескольких переменных, градиент, производная по направлению, линии уровня, касательная плоскости, критические точки, поиск минимумов и максимумов;
- Оптимизационные задачи, лагранжиан и его геометрический смысл, нахождение минимума или максимума с заданными ограничениями.
Линейная алгебра:
- Системы линейных уравнений, матрицы, обратимость и невырожденность;
- Определитель, обратная матрица;
- Векторные пространства и подпространства, размерности, ранги матриц;
- Линейные отображения и их матричное описание. Собственные значения и векторы, связь со спектром;
- Билинейные и квадратичные формы. Скалярные произведения, углы и расстояния. Ортогонализация и QR-разложение. Линейные многообразия и линейные классификаторы, отступы;
- Операторы в евклидовых пространствах. Сингулярное разложение (SVD).
Теория вероятностей:
- Пространство элементарных исходов. События. Вероятность и её свойства. Условная вероятность. Формула полной вероятности. Формула Байеса;
- Дискретные случайные величины и их распределения. Независимость случайных величин. Распределение функции от дискретной случайной величины. Математическое ожидание и дисперсия;
- Случайные величины, имеющие плотности. Математическое ожидание случайной величины, имеющей плотность. Равномерное, экспоненциальное, нормальное распределения;
- Функция распределения. Распределение функции от случайной величины, имеющей плотность. Многомерные случайные величины. Ковариация и корреляция;
- Условное распределение. Неравенства концентрации (неравенства Маркова и Чебышёва). Распределение суммы случайных величин. Закон больших чисел. Центральная предельная теорема. Неравенство Чернова.
Прикладная статистика для машинного обучения10 занятий
Познакомитесь с характеристиками распределений, оценкой характеристик распределения методами Монте-Карло, бутстрэп и не только. Освоите проверку гипотез и работу с временными рядами.
- Основы теории вероятностей. Описательные статистики;
- Взаимосвязи между случайными величинами. Взаимосвязи в данных;
- Методы оценивания параметров распределения. Свойства статистических оценок;
- Предельные теоремы. Асимптотические и точные доверительные интервалы;
- Процедура проверки гипотез. Параметрические критерии;
- Непараметрические критерии. Критерии согласия. Бутстрап, множественное тестирование;
- Введение в А/Б тестирование: постановка задачи, особенности сбора данных, взаимосвязь размера выборки, уровня значимости, мощности теста и MDE. Особенности метрик;
- Основные методы А/Б тестирования: стратификация, бакетное преобразование, линеаризация, CUPED;
- Статистический взгляд на линейную регрессию;
- Основы анализа временных рядов. Модель SARIMA и её подгонка.
Машинное обучение14 занятий
Узнаете, как работают классические алгоритмы машинного обучения и научитесь применять их на практике. Изучите основные виды моделей, сможете обрабатывать данные и проводить их первичный анализ.
- Введение в машинное обучение. Основные понятия. Типы задач;
- Разбиение на train и test. Обучение и оценка качества модели;
- Линейные методы регрессии. Функционал ошибки. Метрики качества. Переобучение;
- Градиентный спуск; Регуляризация в линейной регрессии. Кросс-валидация. Кодирование категориальных признаков;
- Линейные методы классификации (бинарная). Логистическая регрессия. Метрики качества;
- SVM. Многоклассовая классификация;
- Нелинейные методы классификации. Байесовский классификатор. KNN. Kernel SVM;
- Деревья решений. Критерии информативности;
- Ансамблевые методы. Случайный лес, бэггинг. Разложение ошибки на bias, variance;
- Градиентный бустинг. XGBoost, CatBoost, LIghtGBM;
- Обучение без учителя. Кластеризация и визуализация данных. Метрики качества;
- Понижение размерности. PCA. Детектирование аномалий;
- Рекомендательные системы;
- Статистический взгляд на модели МО. Анализ временных рядов.
Промышленное машинное обучение на Spark 8 занятий
Сможете управлять файлами и массивами информации в распределительном хранилище компании с помощью фреймворка Apache Spark и запросов SQL.
- Введение в Big Data: как работают и где находятся большие данные;
- Среда Spark. Spark RDD / Spark SQL;
- Advanced SQL;
- Spark ML /Spark TimeSeries;
- Advanced ML и проверка результатов качества моделей;
- Spark GraphX /Spark Streaming;
- Экосистема Spark (MLFlow, AirFlow,H2O AutoML);
- Spark в архитектуре проекта / Spark CI/CD.
Глубинное обучение10 занятий
Познакомитесь с возможностями Deep Learning, научитесь обучать нейронные сети. В том числе вы изучите архитектуру Transformer, которая позволила появиться ChatGPT: огромному шагу к «общему искусственному интеллекту».
- Введение в глубокое обучение. От линейной регрессии к нейронной сети. Смотрим на базовые возможности tensorflow/pytorch, собираем первую нейросеть;
- Обучение нейронных сетей. Алгоритм обратного распространения ошибки;
- Сверточные нейронные сети. Классификация изображений;
- Оптимизация. Эвристики для обучения нейронных сетей. Нормализация по батчам, инициализация и другое;
- Архитектуры сверточных сетей. Что видят сверточные сети. Transfer learning;
- Обзор задач компьютерного зрения. Детекция, сегментация, перенос стиля, распознавание лиц;
- Автокодировщики и генеративные модели (Generative Adversarial Networks);
- Глубокое обучение для NLP. Векторные представления текстов: word2vec, fasttext;
- Рекуррентные нейронные сети, работа с последовательностями. ELMO-эмбеддинг; Sequence-to-sequence, архитектуры с механизмом внимания. Трансформеры. BERT.
Прикладные задачи анализа данных | онлайн с преподавателем10 занятий
Решите практические задачи на построение ML-моделей для обработки изображений, речи, текстов, сигналов.
- Введение в цифровую обработку сигналов и классификация звуков. Автоматическое распознавание речи;
- Преобразование текста в речь;
- Введение в обработку текстов и классификация текстов; Языковое моделирование;
- Машинный перевод;
- Распознавание лиц и метрическое обучение;
- Семантическая сегментация изображений;
- Детекция объектов на изображениях;
- Глубинное обучение в производстве: обслуживание и ускорение.
Финальный проект
Формат обучения
Продолжительность общая в часах: 714 часов
Условия приема: высшее или среднее профессиональное образование; лица, получающие высшее образование.
Формат обучения: очный
Состав группы: группа до 30 человек
РАЗБЕРЕТЕСЬ В НАПРАВЛЕНИЯХ DATA SCIENCE
Изучите программирование на Python, математику для анализа данных, прикладную статистику, классические модели машинного обучения и нейронные сети, а также основы обработки текстов, звука и изображений
РАЗОВЬЕТЕ HARD SKILLS
Освоите SQL, Python, Jupyter Notebook, Spark, Tensorflow, Pytorch и другие инструменты
ВЫПОЛНИТЕ ТРИ ПРОЕКТА
Напишете чат-бота, программу для машинного обучения и защитите финальный проект. Это хорошая возможность пополнить портфолио, особенно для начинающих
Получите самые актуальные знания по специальности и сможете работать специалистом по Data Science в крупных IT-компаниях
Преимущества программы
01
В декабре 2019 г. обучающий курс «Специалист по Data Science» стал сертифицированной программой нацпроекта «Цифровая экономика» и победил в номинации «Подготовка профессионалов цифровой индустрии»
02
Наши преподаватели работают в ведущих IT-корпорациях, банках и инновационных стартапах. На каждом занятии они учат применять теорию к реальным задачам, которые решают в индустрии
03
Мы выкладываем видеозаписи и материалы занятий, доступ сохраняется за вами в течение 2 месяцев после завершения
04
Вы можете общаться с другими студентами и преподавателями очно или в закрытом Telegram-канале. Доступ к чатам открыт навсегда — если у вас возникают вопросы, вы можете задать их даже после окончания обучения
Документ об окончании
Диплом о профессиональной переподготовке при успешном завершении обучения.
У нас есть лицензия на образовательную деятельность.
Преподаватели
Касьяненко Дарья Алексеевна
Старший преподаватель факультета компьютерных наук
Пиле Ян Эрнестович
Руководитель группы аналитики в VK
Кантонистова Елена Олеговна
Доцент факультета компьютерных наук
Карпов Максим Евгеньевич
Старший преподаватель факультета компьютерных наук
Максаев Артём
Старший преподаватель факультета компьютерных наук
Промыслов Валентин Валерьевич
Старший преподаватель факультета компьютерных наук
Горденко Мария Константиновна
Старший преподаватель факультета компьютерных наук
Мылзенова Дарима
Старший ML-инженер в Rask.ai
Балдицын Владимир
ML-разработчик в Яндексе
Хуракай Долма
Аналитик в Самокате
Матвеева Анна
Аналитик данных в Деметра-Холдинг
Соловей Владислав
Руководитель направления в Сбере
Промыслов Платон
Преподаватель центра непрерывного образования ФКН
Кириллова Екатерина
Руководитель группы анализа продуктов в Афише
Рахимов Руслан
Инженер-исследователь в Сколтехе
Овчинников Кирилл
Руководитель направления в Сбере
Находнов Максим
Инженер-исследователь в AIRI
Костоев Руслан
Ведущий исследователь в Аiri
Эксперты
Соколов Евгений Андреевич
Научный руководитель Центра непрерывного образования
Теванян Элен Арамовна
Руководитель команды развития алгоритмов диспатча в Яндексе
Иосипой Леонид Сергеевич
Старший научный сотрудник
Пиле Ян Эрнестович
Руководитель группы аналитики в VK
Стоимость и условия
58 125 ₽
раз в два месяца при рассрочке без переплат: 8 платежей
или 465 000 ₽ за весь курс
- 5-10%
Скидки для студентов, выпускников и слушателей основных и дополнительных программ НИУ ВШЭ
Как поступить на программу
01
Оставить заявку на программу. В заявке важно указать актуальные номер и e-mail.
02
Подтвердить обучение. Менеджер свяжется с вами по указанным в заявке контактам, чтобы вы могли подтвердить участие в обучении.
03
Отправить сканкопии документов для зачисления (паспорт, снилс, диплом, справка из вуза, свидетельство о смене фамилии).
04
Заключить договор. Менеджер отправит вам договор на ознакомление и ссылку на оплату, по которой нужно будет оплатить обучение.
05
Начать обучение. За несколько дней до начала обучения менеджер отправит организационное письмо со всей важной информацией о программе и ссылкой на чат в Telegram.
Отзывы выпускников
Где проходят занятия?
Вы будете учиться в главном корпусе Вышки – на Покровском бульваре, в компьютерных классах.
На время обучения получите пластиковый пропуск с доступом во все корпуса ВШЭ. В любое время вы можете зайти в библиотеку, чтобы поучиться или поработать.
Можете приезжать на занятия в корпус, а можете подключаться по Zoom.
FAQ
Почему я должен выбрать вашу программу?
В наших программах в коротком формате упакован опыт бакалаврских и магистерских программ факультета компьютерных наук Вышки. Опираясь на наши знания об отрасли, мы дадим Вам необходимую базу, чтобы войти в профессию или перейти на новый уровень на вашей текущей работе. К тому же, большинство наши программы — очные. Это означает, что вы сможете еженедельно общаться с преподавателями, получать поддержку ассистентов и одногруппников, это поможет сохранять мотивацию. Обучаясь на наших курсах, вы получаете возможность интегрироваться в сообщество Вышки, общаться с нашими преподавателями и участвовать в мероприятиях факультета и университета: например, мы проводили «Ночь анализа данных», у нас регулярно проходят IT-лекторий и научный коллоквиум ФКН. У нас есть лицензия на образовательную деятельность, поэтому по результатам обучения мы выдаем удостоверения о повышении квалификации и дипломы о профессиональной переподготовке установленного в НИУ ВШЭ образца.
Чем специалист по Data Science отличается от аналитика данных?
Приведем пример. Менеджер интересуется, какие товары пользователи интернет-магазина покупают вместе, с этим вопросом он пойдет к продуктовому аналитику. Аналитик поможет выявить такие категории товаров и предложит идеи для прототипа системы рекомендаций. Для многих интернет-магазинов таких рекомендаций может оказаться достаточно, чтобы повысить средний чек. Но далее может возникнуть потребность автоматизировать рекомендации и построить модель. Этим уже займется специалист по Data Science.
Еще больше об этом рассказал Сергей Юдин в интервью «Аналитик данных и data scientist: в чем отличие?»
Если я студент, могу ли я поступить на программу «Специалист по Data Science»?
Да, но диплом о профессиональной переподготовке можно получить только после окончания вуза при предоставлении диплома.
Могу ли я заниматься на своем ноутбуке?
Да, вы можете приходить со своим ноутбуком. Также можно использовать компьютеры университета — все занятия проходят в компьютерных классах.
Контакты
Основной адрес
Телефон
Электронная почта