Профильный модуль

Обучение в формате вебинаров под руководством преподавателей-практиков, интересными домашними заданиями, персонализированной обратной связью, реальными командными и личными проектами! Слушатели осваивают первичный анализ данных с помощью библиотек Python, погружаются в математические задачи, необходимые для глубокого понимания методов анализа данных, после чего переходят к методам машинного обучения и нейронным сетям на практике!

Часов в программе

40,00 часов

лекции

40,00 часов

практика

64,00 часа

самостоятельная

4,00 часа

промежуточная аттестация

148,00 часов

всего

Материально-технические условия реализации программы:

Вид занятий: Лекции, практические занятия, самостоятельная раб.
Требуемое ПО:
Браузер Google Chrome
ОС Windows®: Windows 7, Windows 8, Windows 8.1, Windows 10 или более поздней версии.
ОС macOS®: OS X El Capitan (10.11) или более поздней версии.
ОС Linux®: Ubuntu 14.04 (64-разрядная версия) или более поздней версии, Debian 8 или более поздней версии, openSUSE 13.3 или более поздней версии, Fedora Linux 24 или более поздней версии.
ОС Android®: Android 5.0 (Lollipop)
Microsoft SQL Server Express
Google Colab

Информационные ресуры

LMS СберУниверситета

Образовательные ресуры

LMS СберУниверситета

Учебно-методические материалы

Методы, формы и технологии

Вебинары, домашняя и проектная работа, поддержка в чате

Методические разработки

Методические разработки располагаются в LMS СберУниверситета

Материалы курса

Материалы модуля располагаются в LMS СберУниверситета

Учебная литература

Bob Ward. SQL Server 2019 Revealed: Including Big Data Clusters and Machine Learning.
Уэс Маккинли Python и анализ данных [Электронный ресурс]/ Уэс Маккинли— Электрон. текстовые данные.— Саратов: Профобразование, 2017.— 482 c.
AMA-DMBOK. Свод знаний по управлению данными, 2-ое издание, 2020
Аналитическая культура, Карл Андерсон, 2015
Data Science from Scratch: First Principles with Python 2nd Edition
Дж. Грас – Data Science. Наука о данных с нуля
Дж. Вандер Плас – Python для сложных задач. Наука о данных и машинное обучение
Гудфеллоу Я., Бенджио И., Курвилль А. − Глубокое обучение, 2017 г.

Темы

Первичный анализ данных в Python Методы машинного обучения Глубокое обучение