Аналитик данных

Знать:
Теоретические и прикладные основы анализа больших данных
Современный опыт использования анализа больших данных
Типы больших данных: метаданные, полуструктурированные, структурированные, неструктурированные
Виды источников данных: созданные человеком, созданные машинами
Источники информации, в том числе информации, необходимой для обеспечения деятельности в предметной области заказчика исследования
Российские и международные стандарты информационной безопасности
Облачные технологии, облачные сервисы

Уметь:
Определять требования к поставщикам данных из гетерогенных источников
Разрабатывать и оценивать модели больших данных
Проводить интеграцию и преобразование больших объемов данных
Оценивать соответствие наборов данных задачам анализа больших данных

Владеть:
Методами извлечения информации и знаний из гетерогенных, мультиструктурированных, неструктурированных источников, в том числе при потоковой обработке
Инструментами очистки данных для проведения аналитических работ

Знать:
Содержание и последовательность выполнения этапов аналитического проекта
Нейронные сети: полносвязные, свёрточные нейронные сети, методы обучения нейронных сетей
Семантический анализ: обработка естественного языка, сентиментный анализ, анализ текста
Алгоритмы машинного обучения: обучение с учителем, обучение без учителя
Машинное обучение: классификация, кластеризация, обнаружение выбросов
Анализ изображений

Уметь:
Планировать аналитические работы с использованием технологий больших данных
Адаптировать и развертывать модели в предметной среде
Решать задачи классификации, кластеризации, регрессии
Решать проблемы переобучения и недообучения алгоритма
Формировать предложения по использованию результатов анализа
Оформлять результаты аналитического исследования для представления заказчику
Разъяснять заказчику результаты аналитической работы

Владеть:
Технологиями анализа данных: статистический анализ, семантический анализ, анализ изображений, машинное обучение
Основами управления аналитическими работами

Знать:
Современные методы и инструментальные средства анализа данных
Технологии и программное обеспечение анализа данных, в том числе отечественного производства

Уметь:
Применять методы и инструментальные средства анализа данных для решения практических задач

Владеть:
Инструментальными средства анализа данных для решения практических задач

По результатам освоения данной компетенции слушатель будет знать алгоритмы машинного обучения

Уметь:
Разрабатывать программы для решения практических задач с использованием машинного обучения

Владеть:
Инструментальными средствами разработки алгоритмов машинного обучения

Знать:
Лучшие практики применения искусственного интеллекта в различных проблемных и предметных областях
Модели искусственного интеллекта

Уметь:
ПК-1.1.р. Классифицирует и идентифицирует задачи систем искусственного интеллекта в зависимости от особенностей проблемной и предметной областей
ПК-1.2.р. Выбирает методы и инструментальные средства искусственного интеллекта для решения задач в зависимости от особенностей проблемной области
ПК-1.3.р. Собирает исходную информацию и формирует требования к решению задач с использованием методов искусственного интеллекта

Владеть:
Инструментальными средствами решения задач искусственного интеллекта

Знать:
Классы задач машинного обучения
Алгоритмы и методы машинного обучения
Метрики оценки качества решения задачи машинного обучения

Уметь:
ПК-4.1.р. Проводит анализ требований и определяет необходимые классы задач машинного обучения
ПК-4.2.р. Определяет метрики оценки результатов моделирования и критерии качества построенных моделей
ПК-4.3.р. Принимает участие в оценке и выборе используемых методов машинного обучения

Владеть:
Методами и инструментами анализа требований к решению задач с использованием машинного обучения

Знать:
Язык программирования Python
Библиотеки на Python для машинного обучения

Уметь:
ПК-5.1.р. Осуществляет оценку и выбор инструментальных средств для решения поставленной задачи
ПК-5.2.р. Разрабатывает модели машинного обучения для решения задач

Владеть:
Инструментальными средствами для решения задач машинного обучения на языке Python

В результате освоения данной компетенции слушатель будет знать:
Библиотеки на Python для работы с данными

Уметь:
ПК-6.1.п. Осуществляет поиск данных в открытых источниках, специализированных библиотеках и репозиториях
ПК-6.2.п. Выполняет подготовку и разметку структурированных и неструктурированных данных для машинного обучения

Владеть:
Инструментальными средствами сбора и обработки данных на языке Python

Знать:
Модели и методы искусственного интеллекта, используемые для решения задач компьютерного зрения
Модели и методы искусственного интеллекта, используемые для решения задач обработки естественного языка

Уметь:
ПК-8.1.п. Решает прикладные задачи и участвует в реализации проектов в области сквозной цифровой субтехнологии «Компьютерное зрение»
ПК-8.2.п. Решает прикладные задачи и участвует в реализации проектов в области сквозной цифровой субтехнологии «Обработка естественного языка»

Владеть:
Предварительно обученными моделями для решения задач компьютерного зрения
Предварительно обученными моделями для решения задач обработки естественного языка