СОДЕРЖАНИЕ МОДУЛЯ

1. Строки
2. Списки
3. Цикл for
4. Вложенные списки
5. Условный оператор. Цикл while
6. Функции
7. Структуры данных в Python: List and tuples, Dictionary and Sets
8. Pandas для анализа данных
9. Предобработка данных
10. Анализ данных и оформление результатов в Jupyter Notebook
11. Сортировка, поиск, регулярные выражения.
12. Итераторы и генераторы
13. Numpy
14. Введение в ООП.

ПРОЕКТ
Создание чат-бота для Telegram на любую интересующую тему с содержанием парсинга и обработки информации со стороннего ресурса. Чат-бота, который будет просто реагировать разными фразами, зашитыми в коде — недостаточно.
Цель проекта — разработать чат-бота, способного взаимодействовать с пользователями и предоставлять полезную информацию.

ПРИОБРЕТЕННЫЕ НАВЫКИ

• Основы программирования на Python
• Написание и отладка кода
• Работа со сторонними библиотеками и чтение документации
• Умение находить нужную информацию и применять в своих проектах

СОДЕРЖАНИЕ МОДУЛЯ

1. Введение в разведывательный анализ данных. Алгоритмы и методы
2. Математическая статистика в контексте EDA. Типы признаков
3. Линейная алгебра в контексте Линейных методов.
4. Математический анализ в контексте задачи оптимизации
5. Теория вероятностей и математическая статистика
6. Теория вероятностей в контексте Наивного Байесовского классификатора
7. Анализ данных

ПРОЕКТ
Защита Kaggle по EDA:
Исследовательский проект в команде по изучению данных, выдвижению и проверке гипотез, а также презентация перед сокурсниками.

ПРИОБРЕТЕННЫЕ НАВЫКИ

• Умение работать с исследовательским анализом данных
• Умение строить графики и работать с ними
• Умение исправлять проблемы в данных

СОДЕРЖАНИЕ МОДУЛЯ

1. Зачем нужна статистика и A/B тесты
2. Доверительные интервалы
3. Статистики распределений, взаимосвязь случайных величин, показатели корреляции
4. Проверка гипотез, параметрические статистические критерии
5. Непараметрические статистические критерии
6. Метод максимума правдоподобия и ядерная оценка плотности
7. Дизайн A/B эксперимента
8. А/А-эксперименты и валидация методики экспериментирования
9. Ошибки при проведении A/B тестов
10. Увеличение чувствительности А/В тестов
11. Невозможность проведения А/В тестов
12. Roll-out test
13. Causal Inference

ПРОЕКТ
Анализ гипотез по улучшению работы маркетплейса или логистической компании (на выбор)

ПРИОБРЕТЕННЫЕ НАВЫКИ

• Умение выдвигать гипотезы, планировать эксперименты и оценивать их результаты на основе статистики.

СОДЕРЖАНИЕ МОДУЛЯ

1. Как работает и для чего нужна визуализация
2. Как обманывать с помощью графиков
3. Принципы хорошего графика
4. Основы в построении отчетов, разбор разных BI-инструментов
5. Много времени уделим практике и вместе освоимся в интерфейсе Tableau.

Описание:

ПРОЕКТ
Визуализация типа “Портретник”. Вы сделаете визуализацию типа “Портретник”. Где сущностью будет ваш клиент. Данные знакомые — с которыми работали на практике.

ПРИОБРЕТЕННЫЕ НАВЫКИ

• Умение превращать информацию в наглядное и понятное представление с помощью диаграмм, графиков, таблиц и других визуальных элементов, легко воспринимать и анализировать большие объемы данных, а также выявлять связи и тренды.

Включено в модуль:

• Введение в МО: каким оно бывает и каковы основные компоненты метрики и задача линейной регрессии
• Градиентный спуск
• Обобщающая способность модели: метод отложенной выборки / Кросс-Валидация
• Полезные приемы при работе с данными
• Линейная классификация: оценка вероятности
• Матрица ошибок и основные метрики классификации
• ROC, PR-кривые
• AUC-ROC, AUC-PR
• Градиентный бустинг
• Bias-variance trade-off
• Кластеризация
• Рекомендательные системы
• Машинное обучение: классические задачи и алгоритмы
• Создание ML-пайплайна с нуля
• Развитие ML-пайплайна.

Описание:
В этом модуле вы изучите зависимость между независимыми переменными и зависимой переменной и предсказывать значения последней на основе первых, а также разделять наблюдения на заранее определенные категории или классы на основе их признаков.

Вы поймете, как нескольким разработчикам работать над одним проектом одновременно, улучшая качество и скорость его разработки. Узнаете, что такое кластеризация и подготовка данных.

Программа:

• Регрессии
• Классификация
• Парное программирование — Алгоритмы ML
• Кластеризация
• Подготовка данных
• Продвинутые подходы ML.

Включено в модуль:

• Нейрон и функция активации. Простейшая нейронная сеть
• Обучение нейросети (эпохи, mini-batch gradient descent, loss function, cross-entropy loss)
• Batchnorm, dropout, регуляризация весов и ранняя остановка
• Backpropagation
• Transfer learning
• Learning rate, adaptive LR
• Softmax
• MLP: перцептроны, устройство
• Data processing: аугментация
• Data processing: нормализация батчей
• Архитектура, принцип работы свертки
• Типы слоев
• Гиперпараметры фильтров.

Описание:
В этом модуле вы познакомитесь с анализом данных с использованием Python: изучение основных методов анализа данных, работа с библиотеками для обработки, визуализации и анализа данных, например, Pandas, NumPy и Matplotlib.
Изучите глубокое обучение и нейронные сети: понимание основных принципов и концепций глубокого обучения, изучение различных типов нейронных сетей и их применение в задачах машинного обучения.

Поймете, как делать развертывание и мониторинг моделей глубокого обучения: изучение процесса развертывания и мониторинга моделей глубокого обучения, включая получение и предобработку данных, настройку и оптимизацию моделей, их развертывание на продакшн окружениях и мониторинг их производительности.
Создадите простую нейронную сеть: практическое изучение основных шагов создания и обучения простых нейронных сетей, включая настройку архитектуры сети, определение функции потерь и оптимизатора, обработку входных данных, обучение и оценку модели.

Реализуете модели глубокого обучения для классификации изображений: изучение различных методов и подходов к классификации изображений с использованием глубокого обучения, включая использование сверточных нейронных сетей, предобученных моделей и передачу обучения.

Программа:

• Использование Python для анализа данных. Введение в глубокое обучение и нейронные сети
• Глубокое обучение с использованием TensorFlow и Keras. Расширенные темы в глубоком обучении
• Продвинутые темы в глубоком обучении. Развертывание и мониторинг моделей глубокого обучения.
• Создание и обучение простой нейронной сети
• Реализация моделей глубокого обучения для классификации изображений
• Реализация GAN и моделей на основе трансформеров.