Skill-Branch
  • Все курсы
  • Практика
  • Профиль
  • Рейтинг
Выйти
Начать бесплатно

Data Science

DATA SCIENCE – курс от Skill-Branch с экспертом из «Сбербанка». Освойте самую востребованную профессию XXI века – станьте Data Scientist на онлайн-курсе! В 2020-ом спрос на специалистов по Data Science вырос в 9,6 раз. Этот курс для вас, если вы в поисках востребованной профессии, хотите сменить деятельность, ваша карьера медленно развивается, жизнь требует перемен (и хорошего дохода).
19.09.21
Начало
100%
Онлайн
Сайт курса Чат курса Презентация

Начните учиться бесплатно!

Вы можете ознакомиться с занятиями курса, оценить подачу материала, формат обучения и начать бесплатно осваивать новые навыки!

Наши спикеры и менторы

#Спикер
Ляпина Екатерина
Архитектор решений в Цифре
Работает в сфере анализа данных больше 5 лет на различных ролях в таких компаниях как OpenWay, Teradata, Zyfra. Начинала с разработки рекомендательных систем и систем компьютерного зрения в банковском секторе, сейчас фокусируется на развитии сервисов машинного обучения в промышленности. Сейчас работает в Цифре, помогая нефтегазовым, горнодобывающим и металлообрабатывающим компаниям подобрать оптимальный метод решения бизнес-задач в проектах, требующих применения продвинутого анализа данных.
#Главный спикер
Никита Варганов
Руководитель направления по исследованию данных СберБанк
Занимается анализом данных и машинным обучением с 2016 года, постоянный участник соревнований по анализу данных на площадке kaggle.com, входил в топ-500 соревновательного рейтинга. Занимался анализом внешних данных в компаниях МТС и МТС-Банк для построения скоринговых моделей, моделей оттока и uplift-моделей. Сейчас решает задачи машинного обучения в «Сбербанке», особенно плотно специализируется на самом сложном этапе DS-проектов — выводе моделей в промышленную эксплуатацию. Активно занимается развитием Junior / Middle DS.
#Спикер
Ляпина Екатерина
Архитектор решений в Цифре
Работает в сфере анализа данных больше 5 лет на различных ролях в таких компаниях как OpenWay, Teradata, Zyfra. Начинала с разработки рекомендательных систем и систем компьютерного зрения в банковском секторе, сейчас фокусируется на развитии сервисов машинного обучения в промышленности. Сейчас работает в Цифре, помогая нефтегазовым, горнодобывающим и металлообрабатывающим компаниям подобрать оптимальный метод решения бизнес-задач в проектах, требующих применения продвинутого анализа данных.
#Главный спикер
Никита Варганов
Руководитель направления по исследованию данных СберБанк
Занимается анализом данных и машинным обучением с 2016 года, постоянный участник соревнований по анализу данных на площадке kaggle.com, входил в топ-500 соревновательного рейтинга. Занимался анализом внешних данных в компаниях МТС и МТС-Банк для построения скоринговых моделей, моделей оттока и uplift-моделей. Сейчас решает задачи машинного обучения в «Сбербанке», особенно плотно специализируется на самом сложном этапе DS-проектов — выводе моделей в промышленную эксплуатацию. Активно занимается развитием Junior / Middle DS.
#Спикер
Ляпина Екатерина
Архитектор решений в Цифре
Работает в сфере анализа данных больше 5 лет на различных ролях в таких компаниях как OpenWay, Teradata, Zyfra. Начинала с разработки рекомендательных систем и систем компьютерного зрения в банковском секторе, сейчас фокусируется на развитии сервисов машинного обучения в промышленности. Сейчас работает в Цифре, помогая нефтегазовым, горнодобывающим и металлообрабатывающим компаниям подобрать оптимальный метод решения бизнес-задач в проектах, требующих применения продвинутого анализа данных.

1. Введение в машинное обучение

Доступный
К уроку

2. Основы Python

Доступный
К уроку
Мастер-классы: Основы Python: продолжение

3. Математика, необходимая в DS / ML

Доступный
К уроку

4. Управление данными и их интерпретация

Закрытый
К уроку
Мастер-классы: Q&A

5. Линейные модели

Закрытый
К уроку

6. Логистическая регрессия

Закрытый
К уроку

7. Решающие деревья

Закрытый
К уроку

8. Бэггинг, случайный лес

Закрытый
К уроку

9. Градиентный бустинг

Закрытый
К уроку

10. Важность признаков и методы снижения размерности. Часть 1

Закрытый
К уроку
Мастер-классы: Важность признаков и методы снижения размерности - часть 2

11. Обучение без учителя (кластеризация)

Закрытый
К уроку

12. Основы А-Б тестирования

Закрытый
К уроку

13. Полный проект машинного обучения (основные этапы + демонстрация)

Закрытый
К уроку

Практический кейс курса - Скоринговая модель оценки кредитоспособности для вашего портфолио

Скоринговая модель оценки кредитоспособности для вашего портфолио
Данная квалификационная работа предполагает создание модели машинного обучения для оценки вероятности дефолта заемщика. В процессе выполнения квалификационной работы вам предстоит решить задачи по предварительной обработке данных, построению обучающей выборки, построению признаков для описания поведения клиента, очистке и фильтрации данных, выбору и обучению алгоритма машинного обучения, оценке качества финальной модели. Особое внимание уделяется построению и отбору признаков, описывающих поведение клиента, построению и настройке алгоритма машинного обучения.
Получаемые навыки
Программирование на Python
Математическая статистика
Машинное обучение
Анализ данных
Доступен:
Online
Сложность:
Junior
Длительность:
5 мес.
Мест:
35
Навыки:
PythonMathBusiness AnalysisMLKit
Python
Python
+55
Math
Math
+50
Business Analysis
Business Analysis
+5
MLKit
MLKit
+30
Цена курса
Скидка 30%
48 300 ₽
69 000 ₽
Доступен:
Online
Скидка 30%
69 000 ₽
Цена курса
48 300 ₽
Рассрочка до 24 месяцев
Начните учиться бесплатно!
Оформите беспроцентную рассрочку
до 24 месяцев
без первоначального взноса.
Характеристики
Порог вхождения:
Junior
Мест:
35
Длительность:
5 мес.
Skill Points:
150
Python
+55
Math
+50
Business Analysis
+5
MLKit
+30
В курсе изучается:
Программирование на языке Python
Синтаксические основы и применение Python в Data Science
Анализ данных
Анализ и подготовка получаемых сырых данных из внешних источников
Математическая статистика
Математическая статистика и теория вероятности применимая в Data Science
Машинное обучение
Обучение ML моделей для составления прогнозов на основе данных
Требования:
Python
Python (Базовый)
Базовые основы языка - типы данных, функции, управляющие конструкции, циклы
Math
Математика (Базовый)
Базовые основы математики - арифметические действия, математические функции. Знание мат. статистики и теории вероятности приветствуется

Подпишитесь на новости

Расскажите о нас друзьям

Наш e-mail

info@skill-branch.ru

Наше приложение


Публичная оферта Политика конфиденциальности
2023 © Skill-Branch Все права защищены