Data science

Изучи Data science углубленно за 6 месяцев

600.000 ₸

6 месяцев

Для новичков

Формат обучения - Онлайн

Информация о преподавателе

Нурбек Саиднасим

Нурбек Саиднасим

Data Scientist

Data Scientist

Навыки

С#

ASP .Net

.Net Core

WebAPI

EF Core

Nginx

Azure

Git

Kafka

PostgreSQL

CI/CD

Elasticearch

Linux

Solidity

MSSQL

Закончил бакалавриат по специальности «Electrical and Automation Engineering», магистратура — «Прикладная математика». Более 5 лет опыта работы. Работал с задачами классификации, регрессии, кластеризации, NLP, CV, рекомендательных систем. Изучал современные практики MLOps: ведение пайплайнов, версионирование данных и моделей, CI/CD для ML-проектов.

О проекте

Курс «Data Science: Практика анализа данных и машинного обучения» — это прикладной онлайн-курс, ориентированный на получение востребованных навыков в сфере анализа данных, статистики и машинного обучения. Участники курса с самого начала будут работать с реальными данными и научатся применять инструменты анализа на практике: от загрузки и очистки данных до построения и развертывания моделей машинного обучения.

195 академических часов

Язык обучения – Русский

Длительность курса - 26 недель

Стоимость курса – 600.000 KZT

Процесс отбора студентов, предполагает 3 этапа

Тестирование

Прохождение тестового задания.

Мотивационное письмо

Оценка резюме и мотивационных писем.

Интервью

Интервью с преподавателем и куратором курса.

Критерии отбора студентов

  • Выполнение тестового задания должно быть не менее чем на 70% от максимально возможного количества баллов.

  • Получение не менее 7 баллов из 10, при оценке мотивационных писем.

  • Положительное решение о допуске к курсу по итогам интервью с преподавателем и куратором курса

Кому подойдет курс?

Кто уже работает

Кто хочет сменить профессию, и кому требуется удаленная работа в IT-сфере

Студентам

Которые хотят развиваться в новом и современном направлений

Разработчикам

Кто хочет закрепить свои знания практикой

Программа курса

  • 1.1. Настройка среды разработки (Python, Jupyter, VS Code, Git)

  • 1.2. Загрузка реальных наборов данных (Kaggle, UCI, открытые API)

  • 1.3. Написание скриптов Python для загрузки, анализа и сохранения данных

  • 1.4. Использование Git для контроля версий (основные команды)

  • 1.5. Практика: загрузить, очистить и сохранить набор данных

  • 2.1. Загрузка «грязных» CSV/Excel файлов с кодировками и пропущенными значениями

  • 2.2. Умный фильтр, сортировка, группировка больших таблиц

  • 2.3. Создание вычисляемых столбцов и показателей (KPI)

  • 2.4. Преобразование данных: pivot и melt

  • Практика: очистка и анализ HR или продаж

  • 3.1. Создание EDA-ноутбуков и мини-отчетов

  • 3.2. Визуализация распределений, выбросов, корреляций

  • 3.3. Анализ сезонности, трендов и пробелов в данных

  • 3.4. Практика: полный EDA реального датасета (Airbnb, Titanic и др.)

  • 4.1. Извлечение признаков из дат, текста, категорий

  • 4.2. Бининг числовых признаков в интервалы

  • 4.3. Кодирование категориальных признаков (в том числе high-cardinality)

  • 4.4. Практика: подготовка признаков для задачи предсказания цен

  • 5.1. Построение графиков (гистограммы, боксплоты, тепловые карты)

  • 5.2. Создание интерактивных отчетов с помощью Streamlit или Plotly

  • 5.3. Практика: построение визуального отчета по реальному датасету (финансы, прокат велосипедов и т.д.)

  • 6.1. Построение моделей с использованием scikit-learn

  • 6.2. Разделение на train/test, кросс-валидация

  • 6.3. Метрики: точность, recall, F1, ROC-AUC, MAE

  • 6.4. Практика 1: предсказание оттока клиентов

  • 6.5. Практика 2: предсказание цен на жильё или объема продаж

  • 7.1. Отбор признаков: какие переменные реально важны?

  • 7.2. Настройка гиперпараметров (GridSearchCV, RandomizedSearchCV)

  • 7.3. Проверка на переобучение и утечку данных

  • 7.4. Практика: тюнинг нескольких моделей и сравнение результатов

  • 8.1. Сохранение модели (Pickle, Joblib)

  • 8.2. Создание API с помощью FastAPI

  • 8.3. Тестирование модели через Postman или простую веб-форму

  • 8.4. Практика: развернуть модель скоринга кредита

  • 9.1. Сегментация клиентов с помощью k-Means

  • 9.2. Снижение размерности с PCA для визуализации

  • 9.3. Практика: сегментация клиентов на основе транзакций

  • 10.1. Работа с датами и временными индексами

  • 10.2. Построение трендов, скользящие средние

  • 10.3. Прогнозирование с помощью Prophet или ARIMA

  • 10.4. Практика: прогнозирование спроса или трафика

  • 11.1. Очистка и нормализация текста (стоп-слова, токенизация)

  • 11.2. Векторизация текста (TF-IDF)

  • 11.3. Классификация текста (напр. спам или тональность)

  • 11.4. Практика: анализ отзывов пользователей или твитов

  • 12.1. Выбор своей темы и набора данных

  • 12.2. Построение решения от EDA до модели и отчета

  • 12.3. Презентация результатов с визуализациями или веб-интерфейсом