Машинное обучение

• Что такое наука о данных Data science.
• Зачем нужна компаниям наука о данных Data science.
• Почему Data Scientist привлекательнее, чем BI-аналитик.
• Цели и задачи машинного обучения.
• Искусственный интеллект в банках.
• Искусственный интеллект в медицине.
• Искусственный интеллект в ритейле.
• Искусственный интеллект в ВПК.
• Искусственный интеллект в образовании.
• Искусственный интеллект в автомобильной индустрии.
• Искусственный интеллект в логистике и на транспорте.
• Искусственный интеллект в спорте.
• Искусственный интеллект для написания текстов в СМИ и литературе.
• Искусственный интеллект и создание музыки.

• Data science в мире больших данных.
• Экосистема больших данных и data science.
• Процесс data science и сбор данных.
• Очистка и интеграция данных.
• Комбинирование и преобразование данных.
• Что такое машинное обучение и почему оно важно для вас.
• Контролируемое машинное обучение.
• Неконтролируемое машинное обучение.

• Подготовка данных в Data Science-проекте.
• Выявление требований.
• Приемы управления требованиями к ПО.
• Планирование и сбор требований к проекту в бизнес-анализе.
• Проблемы современного машинного обучения.
• Основные проблемы в работе специалистов по Data Science.

• Типы данных в data science.
• Статистические типы данных, используемые в машинном обучении.
• Источники данных для data science.
• Лучшие датасеты для машинного обучения и анализа данных.
• Где взять данные для машинного обучения: способы собрать датасет из открытых источников.
• Cравнительный анализ открытых наборов данных для использования технологий искусственного интеллекта при решении задач информационной безопасности.
• Разработка программного и информационного обеспечения для сбора и представления неструктурированной информации из открытых источников.

• Разведочный анализ данных.
• Разведочный анализ данных с помощью Python.
• Как наглядно показать Data Science: визуализация больших данных.
• Подготовка и оптимизация данных для задач машинного обучения.
• Data Mining: как сформировать датасет для машинного обучения.
• Использование ML-Flow.
• Виды библиотек Python для Data Science.

• Задачи и инструменты машинного обучения.
• Практики DevOps в сфере ML-данных.
• Этапы внедрения ML-моделей на предприятиях.
• Жизненный цикл модели машинного обучения.
• Современные возможности и примеры внедрения машинного обучения.
• Датацентрический и моделецентрический подходы в машинном обучении.
• Отслеживание экспериментов ML с использованием MLflow.
• Основные стратегии внедрения ML-модели.

• Сквозная, маркетинговая, продуктовая и мобильная аналитика.
• Маркетинг будущего: как Data Science предсказывает поведение потребителей.
• WEB и APP-аналитика.
• Маркетинговая аналитика на Python.
• Как использовать Data Science в маркетинге и бизнесе.
• Концепции CJM и JtBD.
• Метрики маркетинга.
• Веб-аналитика.
• Работа с Google Analytics и Яндекс Метрикой.
• Big data в маркетинге: тренды и проблемы.

• Обзор инструментов Data Science.
• Что должен знать разработчик на языке Python, работая в сфере Data Science.
• Статистический анализ данных + реализация в Python.
• SQL для науки о данных.
• Введение в анализ данных с помощью Excel.
• Анализ данных с помощью Microsoft Power BI.
• Аналитика больших данных с Apache Airflow.
• Big Data и лучшие современные инструменты аналитики.

• Элементы математической логики и теории множеств.
• Системы линейных уравнений.
• Векторы.
• Уравнения.
• Кривые второго порядка.
• Числовые последовательности.

• Метод наименьших квадратов.
• Аппроксимация функций многих переменных.
• Идентификация временных рядов.

• Интерполяция.
• Канонический полином.
• Линейная интерполяция.
• Интерполяционный полином Лагранжа.
• Интерполяционный полином Ньютона.
• Первая интерполяционная формула Ньютона.
• Вторая интерполяционная формула Ньютона.
• Оптимизация.
• Однокритериальная оптимизация.
• Функционалы качества.

• Математическое моделирование.
• Классификация моделей.
• Виды моделирования.
• Понятие о математической модели.
• Этапы математического моделирования.
• Анализ методов решения математических моделей.
• Система поддержки принятия решений и методы принятия решений.

• Дифференцируемые функции.
• Решение производных.
• Асимптоты графиков.
• Функции нескольких переменных.
• Примеры построения графиков.

• Матрицы (основные понятия).
• Операции над матрицами.
• Определители 1-го, 2-го и 3-го порядков.
• Некоторые сведения из теории перестановок.
• Определитель n-го порядка.
• Свойства определителей.
• Обратная матрица.

• Знакомство с языком программирования Python.
• Интеллектуальный калькулятор.
• Переменные.
• Функции.
• Программы в отдельном файле.
• Область видимости переменных.
• Применение функций.
• Строки и операции над строками.
• Ввод значений с клавиатуры.
• Логические выражения.
• Модули.
• Математические функции Python.

• Основы теории вероятностей.
• Элементы математической логики и теории множеств.
• Язык логики предикатов.
• Логика предикатов и базы данных.

• Понятие случайной величины.
• Закон распределения дискретной случайной величины.
• Математические операции над случайными величинами.
• Математическое ожидание дискретной случайной величины.
• Дисперсия дискретной случайной величины.
• Функция распределения случайной величины.
• Непрерывные случайные величины.
• Плотность вероятности.
• Мода и медиана.
• Квантили.
• Моменты случайных величин.
• Асимметрия и эксцесс.
• Производящая функция.
• Основные законы распределения.

• Проверка статистических гипотез.
• Статистический анализ и проверка моделей.

Практические занятия, разбор кейсов и консультирование.

Вы получите профессию специалиста по машинному обучению (ML-инженера / Junior Data Scientist) и сможете работать с данными, разрабатывать и обучать модели машинного обучения, а также применять алгоритмы для решения прикладных задач бизнеса и автоматизации процессов.

Да. Программа выстроена так, чтобы дать базовые и прикладные знания с нуля. Вы постепенно освоите основы программирования, работу с данными и базовые алгоритмы машинного обучения. При необходимости рекомендуется заранее познакомиться с основами Python и математикой на базовом уровне.

Да, программа подойдет. Она поможет систематизировать знания в области машинного обучения, освоить современные подходы к работе с данными и перейти к задачам Data Science или ML-разработки. Для опытных специалистов курс может стать основой для перехода в новое направление.

Программа дает прочную базу для старта в профессии и выполнения прикладных задач в области машинного обучения. После обучения вы сможете претендовать на стартовые позиции и развиваться в направлении ML-инженера или Data Scientist, однако дальнейшее развитие в профессии предполагает постоянную практику и углубление навыков.

Да. Обучение построено на практике: вы работаете с реальными датасетами, изучаете алгоритмы и выполняете прикладные задания. Такой формат позволяет формировать навыки, необходимые для работы в сфере машинного обучения и анализа данных.

По завершении программы вы получите диплом о профессиональной переподготовке установленного образца при условии успешного прохождения всех модулей, выполнения практических заданий и итоговой аттестации. Документ подтверждает квалификацию в области машинного обучения.

Обучение проходит в дистанционном формате. Вы можете изучать материалы и выполнять задания в любое удобное время, совмещая обучение с работой или другими делами.

Да, обучение по направлениям профессиональной переподготовки прошло множество слушателей из разных регионов России и стран СНГ, включая специалистов, осваивающих сферу анализа данных и машинного обучения.

Для обучения потребуется компьютер с доступом в интернет. Рекомендуется базовое понимание работы с ПК, а также возможность устанавливать необходимое программное обеспечение для практических заданий (например, Python и инструменты для работы с данными). Все учебные материалы доступны на онлайн-платформе.