ML в бизнесе

1.Временные ряды ч. 1
2.Временные ряды ч. 2
3.Рекомендательные системы ч 1
4.Рекомендательные системы ч 2
5.Подготовка модели
6.Прототип
7.Streamlit+Heroku (или html?)
8.Бизнес понимание + Кейс
9.Проект 6: Временные ряды/Рекомендательные системы

Часов в программе

13,00 часов

лекции

30,00 часов

практика

44,00 часа

самостоятельная

10,00 часов

промежуточная аттестация

97,00 часов

всего

Материально-технические условия реализации программы:

Вид занятий: внеаудиторные
Требуемое ПО:
Процессор Intel Pentium Silver N5030 1.1 ГГц
Оперативная память (RAM) от 4 ГБ
Операционная система: Windows 10, macOS
Стабильный интернет: от 5/мбит с

Информационные ресуры

-Онлайн курс “Математическая статистика” https://stepik.org/course/326/promo (ОПК-2, ПК-2)
-Документация по работе с Pickle: https://docs.python.org/3/library/pickle.html (ПК-7)
-Документация по работе с Joblib: https://joblib.readthedocs.io/en/latest/ (ПК-7)
-Официальная документация virtualenv https://virtualenv.pypa.io/en/latest/ (ПК-7)
-Список команд Docker https://docs.docker.com/engine/reference/run/ (ПК-7)
-Обновляемый список ресурсов и плагинов для Flask https://github.com/humiaozuzu/awesome-flask (ПК-7)
-Официальное руководство RabbitMQ на русском языке (ПК-7)
-Youtube канал для дополнительного изучения нейронных сетей Arxiv Insights https://www.youtube.com/watch?v=JgvyzIkgxF0&feature=youtu.be (ОПК-2)
-Видео курс «Essence of linear algebra» https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab (ОПК-2)
-Онлайн курс «Convex Optimization»: https://lagunita.stanford.edu/courses/Engineering/CVX101/Winter2014/about (ОПК-2, ПК-2)

Образовательные ресуры

Учебно-методические материалы

Методы, формы и технологии

Формы подачи материала:
-видео
-текст

Методы:
-асинхронная работа студента на платформе
-синхронная работа на вебинарах с преподавателями
-самостоятельная работа (выполнение заданий)

Методические разработки

Методические разработки:
1.Анализ рынок конкурентов — изучаем, что предлагают другие школы — и рынок вакансий, чтобы давать востребованные знания и навыки.
2.Проработка критериев по набору экспертов и авторов программы
3.Разработка контента в обучающие материалы и проектирование структуры курса
4.Анализ рынка вакансий на предмет актуальности знаний
5.Создание авторами модулей программы.
6.Каждый урок проходит многоуровневое ревью — эксперта, методиста, редактора, студента-тестировщика.
7.Чередование форматов подачи информации (текст — видео— таблица).
8.Обязательно предоставление ссылок на дополнительные источники — документацию и полезные статьи, которые помогут лучше понять тему и расширят кругозор студента
9.В конце каждой темы у нас есть:
-итоговое тестирование, чтобы привести знания теории всистему, большая практическая задача для закрепления всех необходимых навыков модуля.
10.Обработка обратной связи от студентов по каждому модулю

Материалы курса

-Добро пожаловать!
-Зачем вы здесь?
-Особенности онлайн-обучения
-Лайфхаки для онлайн-обучения
-Как будет проходить обучение
-Порядок прохождения специализации
-Сообщество в Slack
-Сообщество: возможности
-Навигация на платформе
-Анкета студента
-Данные и работа с данными в бизнесе
-Из чего состоит наука данных
-Отличия DS от других специальностей в IT
-Общее представление о профессии в Data Science
-Профиль data scientist’а
-Работа над Data Science проектом
-Пути развития для data scientist’а

Учебная литература

Data Science: инсайдерская информация для новичков / О’Нил Кэти, Шатт Рэйчел. - СПб.: Питер, 2019 - 368. (ОПК-1)

Темы

Временные ряды ч. 1 Временные ряды ч. 2 Рекомендательные системы ч 1 Рекомендательные системы ч 2 Подготовка модели к проду Прототип Streamlit+Heroku (или html?) Бизнес понимание + Кейс Проект 6: Временные ряды/Рекомендательные системы

Лекции
2,00ч

Практические занятия
3,00ч

Самостоятельная работа
5,00ч

Всего
10,00ч

Промежуточная аттестация 10,00 часов

Тестирование и решение практических заданий.