III уровень Большие данные

Аналитика данных и машинное обучение

Университет Иннополис

256 часов длительность

Онлайн формат

Базовый уровень

1 поток (закрыт) 01.06-27.11.2023

2 поток (закрыт) 07.06-27.11.2023

3 поток (закрыт) 14.06-27.11.2023

4 поток (закрыт) 23.06-27.11.2023

Описание

Данные — это объемные массивы сведений о деятельности компании. Аналитический подход помогает выявлять закономерности по различным критериям и извлекать информацию из данных.

Образовательная программа направлена на получение навыков создания моделей машинного обучения. Программа включает в себя темы по проверке статистических гипотез, применения методов кластеризации, метрик для оценки качества результатов анализа данных и др.

Курс проходит в дистанционном формате, поэтому присоединиться к занятиям можно из любого города или региона. Слушатели получают обратную связь к выполненным домашним заданиям. Это позволит лучше разобраться в материалах курса и быстрее усвоить новую информацию. В конце участники выполняют учебный проект.

Кому подойдет программа:

— начинающим аналитикам и ИТ-специалистам;

— студентам ИТ-направлений;

— специалистам, желающим сменить сферу деятельности.

Чему вы научитесь:

— основам языка программирования Python;

— обрабатывать данные с помощью библиотек NumPy, Pandas, Matplotlib и Sklearn;

— владеть методами машинного обучения;

— оценивать качество моделей;

— применять статистические методы для проверки гипотез.

Часов в программе

55 часов

лекции

82 часа

практика

110 часов

самостоятельная

5 часов

промежуточная аттестация

4 часа

итоговая аттестация

256 часов

всего

Цель программы

Целью подготовки слушателей по Программе является совершенствование компетенций в области искусственного интеллекта и машинного обучения, необходимых для профессиональной деятельности по специальности аналитик данных.

Актуальность

Сведения о деятельности компании накапливаются в виде больших массивов данных. Их грамотный анализ и обработка при помощи профессиональных инструментов позволяет бизнесу анализировать поведение клиентов и спрос на товары.

По причине повышенного спроса на ИТ-специалистов аналитики больших данных считаются одними из самых востребованных. Универсальность Python заключается в простоте синтаксиса и относительной легкости в изучении. На курсе узнаете, как использовать язык программирования Python и связанные с ним приложения для работы с большими данными и создания моделей машинного обучения.

Итоговая аттестация 4 часа

защита проектной работы

Компетенции

Профессиональные

Способен использовать инструментальные средства для решения задач машинного обучения

Знать:

• типы анализа больших данных, виды аналитики;
• теоретические и прикладные основы анализа больших данных;
• методы и инструментальные средства управления аналитическими проектами по исследованию больших данных;
• методы разработки алгоритмов и программного обеспечения в рамках систем искусственного интеллекта;
• современные методы и инструментальные средства анализа больших данных;
• технологии анализа данных: статистический анализ, семантический анализ, анализ изображений, машинное обучение, методы сравнения средних, частотный анализ, анализ соответствий, кластерный анализ, дискриминантный анализ, факторный анализ, деревья классификации, многомерное шкалирование, моделирование структурными уравнениями, методы анализа выживаемости, временные ряды, планирование экспериментов, карты контроля качества;
• нейронные сети: полносвязные, свёрточные и рекуррентные нейронные сети, методы обучения нейронных сетей, нейросетевые методы понижения размерности;
• статистические модели;
• алгоритмы машинного обучения: обучение с учителем, обучение без учителя, полууправляемое обучение, обучение с подкреплением;
• машинное обучение: классификация, кластеризация, обнаружение выбросов, фильтрация;
• распределенный анализ данных;
• анализ данных в реальном времени;
• методы обучения с учителем: метрические методы классификации, метод линейной регрессии, байесовские методы, подходы к регуляризации (L1, L2);
• математический анализ, теория вероятности и математическая статистика.

Уметь:

• осуществлять оценку и выбор инструментальных средств для решения поставленной задачи;
• разрабатывать модели машинного обучения для решения задач;
• планировать и проводить аналитические работы с использованием технологий больших данных;
• проводить анализ больших данных;
• осуществлять интеграцию и преобразование данных в ходе работ по анализу больших данных;
• программировать на языках высокого уровня, ориентированных на работу с большими данными: для статистической обработки данных и работы с графикой, для работы с разрозненными фрагментами данных в больших массивах, для работы с базами структурированных и неструктурированных данных;
• решать задачи классификации, кластеризации, регрессии, прогнозирования, снижения размерности и ранжирования данных;
• работать с библиотеками numpy, pandas, matplotlib, seaborn;
• работать с операционной системой Linux.

Владеть:

• использования методов кластеризации;
• разработки нейронных сетей на языке Python;
• разработки методов машинного обучения с учителем на языке Python;
• эффективной работы с данными;
• построения предиктивных моделей;
• написания и оптимизации алгоритмов машинного обучения;
• визуализации полученных результатов;
• проведении статистической проверки гипотез по имеющимся данным.

Владение технологиями:
● Python, Pandas, Numpy
● Pytorch / Tensorflow / Keras
● OpenCV, NLTK, SpaCy, Natasha, платформа nvidia jetson nano
● Google Colaboratory, Docker, Flask / Django

Требования

При поступлении на Программу слушатель должен обладать знаниями основ программирования и прикладной математики.

Образование

Высшее образование
Среднее профессиональное образование

Иные требования и рекомендации для обучения по программе

Модули

свернуть

106ч

Модуль 1 Машинное обучение

Технологии для обработки данных Простейшие алгоритмы машинного обучения Кластерный анализ Алгоритмы бустинга и бэкинга

Подробнее

17ч

Модуль 3 Проектная работа

Разработка и тестирование приложения, с применением искусственного интеллекта.

Подробнее

129ч

Модуль 2 Нейронные сети и алгоритмы глубокого обучения. Применение искусственного интеллекта в обработке текста и цифровых изображений

Нейронные сети Использование Машиного обучения на предприятии Аналитика больших данных Обработка естественного языка Алгоритмы компьютерного зрения Промежуточная аттестация

Подробнее

106ч

Модуль 1 Машинное обучение

Подробнее

129ч

Подробнее

17ч

Модуль 3 Проектная работа

Разработка и тестирование приложения, с применением искусственного интеллекта.

Подробнее

Преподаватели