Как работать с системой контроля версий Git
Как получить доступ к учебному репозиторию GitHub Eduson
7. Основы статистики и теории вероятности
Что такое случайные события и как рассчитывать их вероятность
Что такое распределения случайных величин
Как проверять гипотезы с помощью статистики
Как анализировать зависимости между случайными величинами: регрессионный и корреляционный анализ
Как DS работает с данными
Как сформулировать требования к данным
Как собрать данные из различных источников
Как структурировать и предобработать данные
Зачем бизнесу анализ данных
Как проходит процесс анализа данных
Как сформулировать проблему для анализа
Как проектировать базы данных
Как анализировать данные о бизнесе с помощью SQL
Как создавать запросы и подзапросы
11. Разведочный анализ данных (EDA)
Какие бывают структуры данных
Как рассчитать корреляцию между данными и построить диаграмму рассеяния
Какие выводы можно сделать на основе EDA
12. Аналитический сторителлинг
Как рассказать убедительную историю на основе данных
Какие ключевые элементы сторителлинга стоит использовать
13. Математика для Data Science
Введение в линейную алгебру
Векторы, матрицы и линейная регрессия
Дискриминантный анализ и математическое моделирование
14. Введение в машинное обучение
Что такое машинное обучение
Задачи и модели машинного обучения
Подбор предиткоров (признаков) для модели
15. Модели машинного обучения
Линейная регрессия для поиска зависимости между показателями
Метод классификации для разделения данных на группы
Байесовский классификатор для классификации и прогнозирования
Кластеризация для поиска неизвестных групп в данных
Деревья решений и случайный лес
Временные ряды для прогнозирования
16. Рекомендательные системы
Как устроены рекомендательные системы и как они помогают бизнесу
Как строить рекомендательные системы и использовать предиктивные алгоритмы
Как построить коллаборативную рекомендательную систему
17. Feature Engineering
Как найти признаки с наибольшим потенциалом
Как использовать анализ главных компонентов (PCA)
18. Повышение качества работы модели
Какие методы кросс-валидации существуют
Как избежать ошибок в оценке качества модели
19. Внедрение модели
Какие этапы внедрения модели существуют
Как ML-решения передают в производство
Какие стратегии доставки модели конечному пользователю существуют
20. Мониторинг модели
Что такое мониторинг модели
21. Как применять инструменты Data Science в бизнесе
Какие задачи можно решить с помощью Data Science в разных сферах
22. Карьерный акселератор
Как составить резюме (на русском и английском языках)
Как оформить портфолио и где его разместить
Как подготовиться к собеседованию и решению тестовых заданий
23. Английский для IT-специалистов
Финальный проект и диплом
В конце курса вы решите большой бизнес-проект — соберете данные, создадите и натренируете модель машинного обучения, интерпретируете полученные результаты