Data Scientist

Data Science (наука о данных) – молодая отрасль на стыке интернет-технологий и бизнеса.

Задача исследователя данных (Data Scientist): строить математические модели, которые позволяют выявлять скрытые взаимосвязи в огромных массивах информации. Исследователь данных формирует на основе закономерностей в данных новые ценности, такие как предсказание будущего поведения в зависимости от начальных условий, рекомендации в зависимости от выявленных предпочтений и т.д. Помогает создавать продукты и повышать эффективность бизнес-решений, социальных взаимодействий, научных исследований и производственных процессов на основе выявленных математических моделей.

На текущий момент только в одной России больше 5000 компаний находятся в поисках специалистов по Data Science! Средняя зарплата в этой профессии составляет ~100 000 рублей и практически не имеет верхних границ.

Программа подойдет:

• желающим начать свой путь в ИТ: мы дадим нужные знания и умения в программировании, математике, машинном и глубоком обучении, чтобы вы смогли сделать первые шаги навстречу карьере мечты;
• аналитикам: вы сможете углубить свои знания, применить машинное обучение на практике и ускорить свое карьерное развитие;
• начинающим программистам: вы откроете для себя удивительный мир анализа данных, расширите круг решаемых задач и возможности для карьерного роста. Специалисты в DS, обладающие опытом разработки ПО ценятся особенно сильно!

На программе вы научитесь:

• программировать на Python – одном из самых популярных языков программирования в мире;
• решать математические задачи, необходимые для работы с алгоритмами машинного обучения и нейронными сетями;
• проводить первичный анализ данных с помощью SQL и библиотек Python: Pandas, Numpy, Seaborn, Matplotlib;
• применять алгоритмы машинного обучения для решения прикладных задач;
• обучать и применять в реальных задачах нейронные сети.

Кроме этого, мы поможем вам грамотно составить резюме и выстроить поиск первой работы в Data Science!

Обучение состоит из двух частей:

• Базовый модуль, «бассейн» – онлайн-интенсив из электронных курсов и вебинаров для освоения базовых знаний и умений в математике,  программировании и основах первичного анализа данных на Python.
• Профильный модуль – обучение в формате вебинаров под руководством преподавателей-практиков, интересными ДЗ, персонализированной обратной связью и проектами!

На профильном модуле занятия проходят 2 раза в неделю в формате «живых» вебинаров с преподавателем. Мы не набираем больших групп, чтобы каждый слушатель мог получить ответы свои вопросы во время занятий, личную обратную связь по домашним заданиям и проектам!

У кого вы будете учиться?

Команда преподавателей, методистов и кураторов с опытом организации обучения Data Science и Data Engineering более 3 лет. Команда сочетает в себе 3 ключевые экспертизы:

• индустриальная: практики data engineers и ml/dl engineers из крупнейших российских и международных ИТ-компаний;
• академическая: преподаватели и выпускники лучших ВУЗов России: ВШЭ, МФТИ, МГУ, Школа Анализа Данных Яндекса, etc;
• образовательная: через каждого преподавателя в нашей команде прошли сотни слушателей из российских компаний или вузов.

Во время обучения вы реализуете 3 проекта лично или в команде:

• первичный анализ данных – найдете инсайты в реальном медицинском датасете;
• предобработка данных и обучение ML-моделей для анализа стоимости недвижимости;
• выпускной проект, тема которого согласуется с преподавателем во время обучения.

Примеры тем выпускных проектов с прошлых потоков (обучение прошли уже сотни слушателей):

• Style Transfer. Разобраться в классическом алгоритме переноса стиля (именно разобраться, я проверю), реализовать его на PyTorch. Бонус -- реализовать любой из алгоритмов нейросетевого переноса стиля.
• FaceSwap. Разобраться в нейросетевых архитектурах сегментации изображений и выделения ключевых точек лица. Написать алгоритм, который правдоподобно меняет два наперёд заданных лица местами.
• Face ID. Разобраться в алгоритмах распознавания лиц на фото. Реализовать простейший алгоритм на основе эмбеддингов фотографий (скажем, через SVD-разложение) или какую-то нейросетевую архитектуру на PyTorch. Добиться того, чтобы алгоритм отличал ваше лицо от чужих (скажем, от моего).
• Смена сезонов на фото. Реализовать архитектуру CycleGAN на Pytorch, обучить её на датасетах с изображениями зимних и летних пейзажей, научиться менять сезон на фото. Россия -- страна затяжной зимы. Давайте бороться с этим!

Важно!

Перед стартом обучения важно понимать, что программирование и анализ данных – это интересно и перспективно, но и </span>очень сложно<span style="font-weight: 400;">. Для достижения целей обучения вам придется много работать, практиковаться и даже самостоятельно искать информацию. Без этого не стать хорошим специалистом даже начального уровня. Научить учиться и искать информацию – одна из целей программы, ведь настоящий специалист регулярно занимается этим на работе! Убедитесь, что вы готовы уделять 15, а лучше 20 часов каждую неделю на обучение и вы уверены, что сможете освоить основы этой профессии в интенсивном режиме.

Профессиональные

• Готовность упорно учиться, искать информацию и много самостоятельно работать – без этого не стать хорошим разработчиком!
• Готовность на протяжении всего курса регулярно выделять достаточно времени учебе.
• Уверенное владение ПК: установка/удаление ПО, работа с текстовыми редакторами, браузером Google Chrome.
• Развитое логическое мышление, умение структурировать информацию.
• Отсутствие проблем с школьной математикой. Решение квадратных уравнений и простейших систем линейных уравнений не вызывают проблем. Понимание, как нарисовать графики простейших линейных и квадратичных функций. Умение решать простейшие задачи с участием логарифма и экспоненты.
• Если все же что-то из списка выше вызывает сомнения, то вам должно быть достаточно просто сесть вечером и повторить эти темы. Обязательно сделайте это, будет полезно перед курсом!
• Очень желательно, но не обязательно знакомство с основами математического анализа: функции и их производные; линейной алгебры: вектора, матрицы и операции с ними; теории вероятностей и статистики.
• Знание английского языка на уровне чтения технической документации.

• Высшее образование
• Среднее профессиональное образование

• Готовность упорно учиться, искать информацию и много самостоятельно работать – без этого не стать хорошим разработчиком!
• Готовность на протяжении всего курса регулярно выделять достаточно времени учебе.
• Уверенное владение ПК: установка/удаление ПО, работа с текстовыми редакторами, браузером Google Chrome.
• Развитое логическое мышление, умение структурировать информацию.
• Отсутствие проблем с школьной математикой. Решение квадратных уравнений и простейших систем линейных уравнений не вызывают проблем. Понимание, как нарисовать графики простейших линейных и квадратичных функций. Умение решать простейшие задачи с участием логарифма и экспоненты.
• Если все же что-то из списка выше вызывает сомнения, то вам должно быть достаточно просто сесть вечером и повторить эти темы. Обязательно сделайте это, будет полезно перед курсом!
• Очень желательно, но не обязательно знакомство с основами математического анализа: функции и их производные; линейной алгебры: вектора, матрицы и операции с ними; теории вероятностей и статистики.
• Знание английского языка на уровне чтения технической документации.