Аналитик данных

− основные определения искусственного интеллекта и больших данных;
− понятие A/B-тестирования;
− особенности продуктовой аналитики.

− проводить аналитические и поисковые исследования по тематике информационных технологий, технологий больших данных;
− строить несколько моделей и выбирать лучшую модель на данных.

− методами и инструментальными средствами решения задач искусственного интеллекта;
− навыками расчета ключевых метрик роста продукта с помощью Python

− существующие и перспективные методы и программный инструментарий технологий больших данных;
− математические основы машинного обучения (линейная алгебра, статистика, оптимизация).

− применять язык программирования Python и библиотеки при разработке решений на основе ИИ;
− осуществлять массово параллельную обработку и анализ данных;
− строить модели машинного обучения (регрессия, классификация, кластеризация, нейросети);
− оценивать результаты моделирования и определять критерии качества построенных моделей.

− методами разработки моделей машинного обучения и нейронных сетей

− основные конструкции языка Python, библиотеки;
− системы обработки и анализа больших массивов данных (Hadoop, ETL, Spark и др.);

− осуществлять парсинг интернет-данных;
− применять SQL базы данных для прикладных решений;
− производить расчет вероятностных показателей с использованием языка Python;
− разрабатывать модели машинного обучения для решения задач.

− навыками расчета статистических показателей с использованием языка Python;
− навыками создания нескольких таблиц в СУБД Postgres посредствам Dbeaver;
− навыками интеллектуального анализа данных с помощью языка программирования R;
− навыками обучения нейронных сетей с помощью PyTorch, TensorFlow и Keras;
− навыками расчета ключевых метрик роста продукта с помощью Python;
− навыками настраивания кластеров Apache Spark и Hive на Hadoop;
− владение инструментами инструменты Weka,RapidMiner, Knime, Orange IBM SPSS Modeler, Tableau и др.;
− использовать базы данных (MongoDB, Clickhouse и др.

− различия между машинным обучением, нейронными сетями, глубоким обучением и EDA;
− язык запросов к СУБД;
− основные ETL процессы и инструменты.

− осуществлять поиск и структурирование данных;
− осуществлять подготовку и разметку структурированных и неструктурированных данных для машинного обучения.

− навыками решения базовых аналитических кейсов с использованием инструментов визуализации;
− навыками поиска аномалий в данных, сегментации PCA, уменьшения размерности данных

− основы теории баз данных;
− принципы работы NoSQL баз данных;
− основные уровни представления данных;
− особенности организации СУБД в MPP-системе;
− основные типы данных в СУБД Postgres;
− особенности колоночного формата хранения данных;
− принципы построения дашбордов;
− основные понятия теории вероятности;
− основы комбинаторики.

− производить аналитику для интеллектуального отслеживания ресурсов/процессов;
− визуализировать анализируемые данные;
− применять методы анализа на графах;
− создавать собственные модели данных с использованием UML-диаграмм.

− навыками использования статистических методов исследования;
− математическими методами анализа данных;
− навыками интеллектуального анализа данных с помощью языка программирования R

− представление о сквозных цифровых субтехнологиях искусственного интеллекта;

− осуществлять математическое и информационное моделирование;
− решать прикладные задачи и участвовать в реализации проектов в области сквозной цифровой субтехнологии «Компьютерное зрение».

− навыками использования предварительно обученных моделей для классификации изображений и других задач;
− навыками обучения нейронной сети Keras многоклассовой классификации изображений на малом количестве данных