КУРС BIG DATA
ДЛЯ АНАЛИТИКОВ
Оффлайн/Онлайн
Корпоративное обучение
Суперинтенсив
2 недели, 28 блоков
2 недели, 28 блоков
Корпоративное обучение
2 недели 28 блоков - суперинтенсив
2 недели 28 блоков - суперинтенсив
Курс Big Data
для аналитиков
для аналитиков
о курсе_
Интенсивный курс по машинному обучению и анализу данных.
=> 2 недели, 28 блоков, 112 часов, онлайн/оффлайн.
=> 2 недели, 28 блоков, 112 часов, онлайн/оффлайн.
О КУРСЕ_
Интенсивный курс по машинному обучению и анализу данных
=> 2 недели, 28 блоков, 112 часов, онлайн/оффлайн.
=> 2 недели, 28 блоков, 112 часов, онлайн/оффлайн.
Наша программа и преподаватели неразрывно связаны с бизнес-задачами и современными методами их решения с помощью аналитики данных
Tilda Publishing
Занятия проходят на интерактивной платформе с записью и трансляцией из аудитории. Мы работаем в Jupyter-тетрадках на облачной инфраструктуре, имеем собственный Slack-чат для общения студентов, а также — большое комьюнити выпускников.
Решаем типичные аналитические задачи из разных индустрий для понимания бизнес-смысла и экономического эффекта, обучаем современным методам решения данных задач
Учим, как с помощью современных методов анализа данных (машинное обучение, обработка текста, анализ графов, deep learning) решать задачи бизнеса
Нашему курсу 7 лет
Ориентация на бизнес-результат
Удобный формат
Программа курса 28 уроков разбиты так, чтобы пройтись по всем основным методам анализа данных, которые уже сейчас применяются в реальных кейсах. Что вы получите? Умение создавать добавленную стоимость с помощью Data Science и машинного обучения, сертификат и рекомендации на работу. После окончания школы всем участникам выдаются сертификаты. Лучшие получают рекомендацию на работу мечты. Также участники смогут самостоятельно применять на практике представленные в школе методы машинного обучения и решать задачи анализа данных. |
Мы сотрудничаем с компаниями Яндекс, Сбербанк, МТС и Газпромнефть по трудоустройству выпускников.
Лучших — отбираем в свой консалтинговый бизнес на базе искусственного интеллекта Студию Данных.
Лучших — отбираем в свой консалтинговый бизнес на базе искусственного интеллекта Студию Данных.
Теория
- Введение в машинное обучение, необходимые навыки
- Задачи классификации, регрессии и кластеризации
- Извлечение, отбор и преобразование признаков
- Особенности решения задач машинного обучения
- Обзор инструментов для решения задач машинного обучения
- Обзор графовых задач
- Знания, необходимые для успешного освоения науки о данных
- Особенности обработки больших данных
- Workflow решения задач анализа данных
- Конкретные примеры решения задач анализа данных
Теория
- Математика в машинном обучении: статистические распределения, нормализация признаков, приведение к нормальному распределению, метод максимального правдоподобия, проверка статистических гипотез, методы оптимизации
- Работа с векторами и матрицами в библиотеке NumPy
- Обзор библиотеки для научных вычислений SciPy
- Визуализация данных с Matplotlib и Seaborn
- Чтение и обработка данных с библиотекой Pandas
- Визуализация и предварительный анализ данных соревнования Kaggle "Titanic: Machine Learning from Disaster" c помощью Pandas
- Первичный анализ данных с Seaborn
- Решение задачи соревнования Kaggle "Titanic: Machine Learning from Disaster" c помощью Pandas
Теория
- Деревья решений
- Энтропия, прирост информации и неопределенность Джинни
- Алгоритмы ID3, C 4.5, CART
- Работа с признаками – отбор, преобразование, построение
- Применение дерева решений Scikit-learn к синтетическому набору данных и к данным соревнования Kaggle Inclass по автострахованию
- Настройка параметров дерева, кросс-валидация
- Пример извлечения признака для набора данных соревнования Kaggle Inclass по автострахованию
- Практика на применение дерева решений и случайного леса к набору данных соревнования "Titanic: Machine Learning from Disaster"
Теория
- Обзор библиотеки машинного обучения Scikit-learn
- Метрики качества алгоритмов машинного обучения - доля (accuracy), точность (precision), полнота (recall), F-score, ROC-кривая, AUC
- Случай несбалансированных классов
- Случай классификации на несколько классов
- Логистическая регрессия
- Метод опорных векторов (Support Vector Machine), ядра
- Сравнение разных методов при решении задачи Kaggle Inclass по предсказанию типа выплат по автостраховке
- Примеры решения задач классификации и регрессии — наборы данных UCI
Теория
- Нейронные сети, алгоритм обратного распространения ошибки
- Построение ансамблей алгоритмов
- Случайный лес (Random Forest)
- Бустинг (boosting) и бэггинг (bagging), Xgboost
- Стекинг
- Переобучение, кросс-валидация, регуляризация
- Пример регуляризации для логистической регрессии
Теория
- Сравнение случайного леса, бустинга и бэггинга на наборах данных репозитория UCI
- Случайный лес на примере набора данных Titanic
- Случайный лес на примере набора данных по автострахованию
- Практика использования библиотек Lasagne NN и Xgboost
- Разбор решения задачи Kaggle «Otto Group Product Classification
- Challenge» Станиславом Семеновым и Gilberto Titericz (1 место)
Теория
- Введение в обучение без учителя
- Задача кластеризации — алгоритм k-means
- Иерархическая кластеризация
- Спектральная кластеризация
- Плотностные методы кластеризации
- Методы снижения размерности пространства признаков: кластеризация, метод главных компонент (PCA)
- Поиск выбросов и аномалий в данных - статистический подход, одноклассовая машина опорных векторов
- Пример поиска аномалий в данных
Теория
- Введение в теорию графов
- Классические алгоритмы на графах
- Поиск в ширину и поиск в глубину
- Алгоритм PageRank
- Алгоритмы поиска связных компонент в графе / сильно связных компонент в графе
- Кластеризация на графах/обнаружение в соц. сетях
Практика
- Применение машинного обучения в графовых задачах
- Решение задачи рекомендации друзей в социальных сетях (Link Prediction)
- Введение в случайные и веб-графы и как они помогают на практике в реальных задачах
- Обзор инструментов для работы с графами
Теория
- Поиск частых множеств (товаров) и ассоциативные правила
- Алгоритмы Apriori и FP-growth
- Поиск частых, сильно разделяющих паттернов (frequent diverse patterns и emerging patterns)
- Поиск паттернов с ограничениями
- Поиск частых последовательностей
- Поиск частых подграфов
- Знакомство с инструментом SPMF
- Анализ последовательностей на примере демографических данных
Теория
- Введение в коллаборативную фильтрацию
- Item-Based и User-Based подходы к задаче рекомендации. Выбор меры сходства
- Оценка качества рекомендательной системы
- Рекомендации на основе ассоциативных правил
- Методы на основе матричной факторизации (SVD, PLSA, LDA, BMF)
- Мультимодальная кластеризация и рекомендации в фолксономиях
- Case-study: рекомендация радиостанций
Теория
- Задачи обработки естественного языка (NLP)
- Предобработка текстов: лемматизация, стемминг, синтаксический и морфологический анализ
- Модели представления текстов: мешок слов, VSM, синтаксические деревья
- Современные методы: word2vec, topic modeling
Практика
- Поиск ключевых слов
- Определение сходства документов
- Кластеризация текстов
- Поиск похожих слов
Теория
- Машинное обучение: подход MapReduce, онлайн-обучение
- Стохастический градиентный спуск
- Концепция вычислений в памяти и устойчивых распределенных наборов данных (RDD)
- Обзор инструмента Apache Spark
- Введение в функциональное программирование (map, filter, reduce, lambda-функции)
- Обзор библиотек MLlib и GraphX Apache Spark
- Коллаборативная фильтрация с Apache Spark
Практика
- Практика использования функций map, filter, reduce и lambda-функций
- Практика использования методов работы с устойчивыми распределенными наборами данных (RDD)
- Анализ веб-логов с Apache Spark
- Пример построения рекомендательной системы фильмов с Apache Spark MLlib на данных MovieLens.
- Пример решения задачи классификации со Spark MLlib
- Предсказание кликов пользователей с Apache Spark
Теория
- Что делать, если мало оперативной памяти
- Введение в онлайн обучение
- Метрики качества - progressive loss
- Выбор функции потерь
- Hashing trick
- Подбор параметров регуляризации при он-лайн-обуяении
- Дообучение алгоритмов
- Обзор инструмента vowpal wabbit
- Пример решения задачи в 2 строки с помощью vowpal wabbit
- Обзор нестандартных параметров vw
Теория
- Обзор платформы Kaggle
- Зачем нужны соревнования по анализу данных
- Особенности задач в соревнованиях по машинному обучению
- Отличия задач соревнований по анализу данных от реальных бизнес-задач
- Решение задачи Kaggle «Driver Telematics Analysis» по определению профиля вождения водителя
Практика
- Решение задачи Kaggle «Greek Media Monitoring Multilabel Classification(WISE 2014)»
- Работа с категориальными признаками, различные подходы
- Решение задачи Kaggle «Caterpillar Tube Pricing» по предсказанию цены на конструкцию из труб
Теория и практика
- Введение в нейронные сети
- Обзор возможностей нейронных сетей
- Задачи обработки текстов
- Задачи обработки изображений и видео (Computer Vision)
- Инструменты (Theano, TensorFlow, Keras)
- Разбор классических задач Deep Learning
Теория и практика
- Тестирование гипотез в продуктовой аналитике
- Маркетинговые метрики качества алгоритмов машинного обучения
- Оценка экономического эффекта моделей
- Основные B2C метрики: CAC, LT, LTV, ARPU, ARPPU
- Модели машинного обучения в CRM
Наша команда
Мы подбирали преподавателей по ряду критериев: максимальное количество завершенных проектов по анализу данных, работа в настоящий момент в бизнесе
Станислав СеменовПреподаватель в специализации соревнования по анализу данных и машинное обучение, ранее первый в мире по рейтингу KaggleКонсультант в области машинного обучения, номер 1 аналитик данных (Data Scientist) в мире по рейтингу Kaggle. Ранее HFT-аналитик в Quantstellation, преподаватель в Школе Анализа Данных Яндекс, портфельный аналитик в Тинькофф банк. Закончил Московский Физико-Технический Институт (МФТИ) и Высшую Школу Экономики (ВШЭ). Выпускник Школы Анализа Данных Яндекс
Дмитрий ИгнатовПреподаватель, специализация рекомендательные системы и Data MiningКандидат Наук в области прикладной математики и анализа данных от Российской Академии Наук и Технического Университета Дрездена, заместитель руководителя департамента анализа данных и искусственного интеллекта Национального Исследовательского Университета Высшей Школы Экономики (НИУ ВШЭ)
Антон АлексеевПреподаватель, специализация анализ естественного языка и нейронные сетиИсследователь в совместном центре Искусственного Интеллекта Самсунг-Математического Института В.А.Стеклова. Ранее, разработчик библиотек работы с данными, систем анализа естественного языка и чат-ботов
Григорий СапуновПреподаватель, специализация Глубокое Обучение, распознавание изображений и нейронные сетиСо-основатель и CTO в Intent.to, компании, специализирующейся на Глубоком Обучении и когнитивных сервисах. Ранее, преподаватель Когнитивных наук в Высшей Школе Экономики, руководитель направления в Яндекс. Выпускник Московской Школы Экономики
Где работают выпускники Школы Данных
Студия Данных в финале конкурса
Цифровой прорыв — это всероссийский конкурс платформы «Россия – страна возможностей» для ИТ-специалистов, дизайнеров и управленцев в сфере цифровой экономики. Студия данных победила в своем регионе (Москва) и едет на финал конкурса в Казань.
Хакатон — ограниченное по времени соревнование, в течение которого участники в составе команд от 3 до 5 человек создают прототипы цифровых решений в рамках поставленных задач.
Гордимся своими сотрудниками. Победить в высококонкурентной борьбе среди участников из 40 городов России — это бесценный опыт и прекрасное достижение.
Хакатон — ограниченное по времени соревнование, в течение которого участники в составе команд от 3 до 5 человек создают прототипы цифровых решений в рамках поставленных задач.
Гордимся своими сотрудниками. Победить в высококонкурентной борьбе среди участников из 40 городов России — это бесценный опыт и прекрасное достижение.
Запишитесь на курс
Запишитесь на курс
Нажимая на кнопку, вы даете согласие на обработку персональных данных
и соглашаетесь c политикой конфиденциальности
и соглашаетесь c политикой конфиденциальности
Наши контакты
+7 967 215 75 05
contact_us@datastudio.digital
г. Москва, ул. Шаболовка, 8
contact_us@datastudio.digital
г. Москва, ул. Шаболовка, 8