Оставьте свои данные и мы обязательно с Вами свяжемся!
Цели и задачи программы обучения
Цель курса подготовить экспертов в области науки о данных, способных извлекать ценную информацию и принимать стратегические решения на основе анализа и моделей машинного обучения.
В рамках проекта мы также разрабатываем кадровую платформу, которая поможет участникам программы найти подходящего работодателя среди быстрорастущих стартапов, data driven компаниях или реализовать свои навыки на международных фриланс-платформах.
Цели курса
Обучить использованию инструментов и технологий Data Science.
Применять полученные знания прикладной математики и программирования в реальных проектах.
Предоставить основы ML и DL разработки и их применения в таких сферах, как NLP и Computer vision.
Развивать инновационное DS сообщество и оказать поддержку при трудоустройстве студентов.
Задачи курса
Содержание программы обучения
Уроки:
Введение в курс. Схема курса и чему вы научитесь
Области науки о данных. Карьерный путь, чему учиться после курса
Проверка пререквизитов
Уроки:
Введение в линейную алгебру. Основы векторов, матриц и линейных преобразований. Векторные операции и свойства. Матричные операции и свойства. Реализация векторных и матричных операций в Python
Линейные системы и матричная алгебра. Решение систем линейных уравнений. Обратная матрица и ее применение. Реализация линейных систем и матричной алгебры на Python
Собственные векторы и собственные значения. Понимание собственных значений и собственных векторов
Уроки:
Введение в мат.анализ. Обзор дифференцирования и интегрирования. Производные. Вычисление частных производных. Реализация дифференцирования в Python
Методы оптимизации. Локальная и глобальная оптимизация. Градиентный спуск и его разновидности. Реализация методов оптимизации в Python
Основы вероятности. Аксиомы вероятности и правила. Условная вероятность и теорема Байеса. Случайные величины и распределения вероятностей
Общие распределения вероятностей. Дискретные распределения вероятностей (Бернулли, Пуассон, биномиальное). Непрерывные распределения вероятностей (нормальное, экспоненциальное). Понимание параметров, среднего значения и дисперсии распределений. Реализация распределений вероятностей в Python
Уроки:
Проверка гипотез и статистический вывод. Нулевая и альтернативная гипотезы. Уровень значимости и p-значения. Доверительные интервалы и интервальная оценка. Реализация проверки гипотез и выводов в Python
Описательная статистика. Меры центральной тенденции (среднее, медиана, мода). Меры дисперсии (дисперсия, стандартное отклонение). Изучение распределения данных и выбросов. Реализация описательной статистики в Python
Корреляция. Корреляционный и ковариационный анализ. Реализация корреляции в Python
Статистическая визуализация. Методы визуализации данных для EDA. Гистограммы, ящичные диаграммы и диаграммы рассеяния. Тепловые карты, гистограммы и линейные графики. Реализация статистических визуализаций на Python
Уроки:
Введение в SQL. Основы администрирования баз данных. Основные манипуляции
Промежуточный SQL. Агрегирование, условия, функции, объединение
Введение в Python3. Структуры данных и синтаксис. Работа с файлами и ввод/вывод
Python3. Операторы if-else, циклы, обработка исключений, функции и классы
Python3 и библиотека Numpy. Генераторы, Декораторы. Массивы Numpy и векторные операции
Python3 и библиотека Pandas 1. Обработка данных с помощью pandas от очистки до исследования
Python3 и библиотека Pandas 2. Расширенная обработка данных с помощью pandas от очистки до исследования
Сегментация изображений: FCN, SegNet, U-Net, аугментации, Mask R-CNN, DeepLab и так далее.
Состязательные примеры и капсульные сети
Порождающие модели в глубоком обучении: авторегрессионные модели, PixelCNN, WaveNet. Идея GAN.
Порождающие состязательные сети (GAN): ProGAN, функции ошибки в GAN (LSGAN и Wasserstein GAN), условный GAN, AAE, примеры архитектур
Модели, основанные на потоках. Диффузионные модели. DALL-E 2, Midjourney и Stable Diffusion
Практическое задание 1
Практическое задание 2
Практическое задание 3
Уроки:
Что писать в резюме? Что нерелевантно писать в резюме? Задание: подготовить резюме к следующему уроку; Обсуждение хороших и плохих примеров
Как подготовиться к техническому собеседованию? Что такое soft skills и как их улучшить?
Как подготовиться к фит- и техническим собеседованиям?
Уроки:
Прохождение пробного собеседования; Office hours - возможность получить разъяснения по интересующим вопросам, которые являются для студента сложным или трудным для понимания.
Уроки:
Практика пробного интервью для всех студентов, чтобы увидеть, как это выглядит в режиме реального времени. Индивидуальная встреча с интервьюерами
2011-2016: Nazarbayev University, бакалавр инженерии в области “Mechatronics, Robotics, and Automation Engineering” 2019-2020: IE School of Science and Technology, магистр “Business Analytics & Big Data”
2022 - н.в.: ментор курса Data Science в outpeer.kz
Software Engineer, Capchase inc.
Ангелина Гербольт
Профессиональный путь:
2012 - 2016: Nazarbayev University, бакалавр инженерии в области “Mechatronics, Robotics, and Automation Engineering” 2018 - 2020: Nazarbayev University, магистр в области “Computer Science”
2020: Mechta Market LLP, Business Analyst 2021: JSC Kaspi Bank, Data Miner 2022 - н.в.: Kazdream Technologies LLC, Data Scientist
2016 - н.в.: работает как преподаватель Data Science and Analytics, программирования и робототехники
Data Scientist, Kazdream Technologies
Артем Рычко
Профессиональный путь:
2015 - 2019: Высшая Школа Экономики, бакалавр в области “Economics and Data Science” 2019 - 2021: Высшая Школа Экономики, магистр в области “Computational and Applied Mathematics, Data Science”
2019: Kazdream Technologies LLC, Middle Data Scientist 2019 - 2020: Aitarget, Data Scientist 2020 - 2021: Kazdream Technologies LLC, Senior Data Scientist 2021 - н.в.: Kazdream Technologies LLC, Data Science Team Lead 2022 - н.в.: Butterfly Effect LLC, Data Science Team Lead
2023 - н.в.: ментор курса Data Science в outpeer.kz
Data Science Team Lead, Butterfly Effect LLC & KazDream Technologies LLC
Программа составлена на основе необходимых квалификационных нужд и требований бизнеса для решения реальных задач
Команда тренеров
Cостоит из экспертов, работающих в зарубежных и местных data driven компаниях, имеющих исследовательский опыт и глубокие знания в IT
outpeer.kz offline meetups
Оффлайн встречи наших студентов и экспертов из IT индустрии для обмена опытом и взаимной поддержки
Demo Days
Топ 7 студентов программы получают возможность представить свои проекты перед профессионалами из различных областей, которые могут проявить интерес к их проектам и инвестировать в них
Trainee Success
Программа предлагает студентам: - подготовку резюме (CV) + карьерное планирование - открытые позиции в стартапах, data driven компаниях - поддержку деловых связей в сообществе
Mentorship/Internship
Предполагает стажировку в виде: - прохождения стажировок в стартапах, IT компаниях - менторства от топовых специалистов - исследовательской деятельности
Well being program
Capstone projects
Нацелена на поддержку ментального состояния студентов, обеспечивая им повышения эмоционального благополучия
Это самостоятельный практический проект студента, завершающий процесс обучения, где учащийся применяет полученные знания и навыки
Financial literacy for IT professionals
Финансовая грамотность необходима профессионалам во всех областях, включая IT-специалистов. Этот модуль поможет нашим студентам в дальнейшем хорошо понимать финансы и принимать обоснованные финансовые решения
Навыки по завершению курса
Внедрять различные методы машинного обучения для решения сложных проблем и принятия бизнес-решений на основе данных.
Понимать основные области машинного и глубокого обучения, на элективных треках нейронные сети или компьютерное зрение.
Выбирать способ представления данных при прогнозировании.
Иметь отраслевой портфель проектов и опыт демонстрации своей способности извлекать полезную информацию из данных для бизнеса.
При успешном завершении курса студенты научатся
Квалификации по завершении обучения
Специалист по машинному обучению
Анализировать большие объёмы информации, создавать модели для прогнозирования в бизнесе, медицине, промышленности
Дата-инженер
Разворачивать программную инфраструктуру для организации сбора, обработки и хранения данных
Аналитик данных
Помогать бизнесу принимать верные решения на основе данных. Собирать информацию и анализировать её, находить аномалии в метриках
1
2
3
По завершению обучения программы DS outpeer.kz студент получает базу, которая позволит адаптироваться под запросы рынка труда и регулярно получать выгодные предложения по работе по следующим специализациям:
Trainee Success: Ваш путь к профессиональной карьере
Подготовка CV
Работаем над вашим резюме, чтобы оно выделялось и привлекало внимание работодателей.
Cover Letter (Мотивационное письмо)
Mock Interview
Помогаем вам выразить вашу уникальность и желание работать именно в той компании, которую вы выбрали.
1
Пройдите через ролевые интервью с нашими экспертами, чтобы быть готовым ко всему на настоящем собеседовании.
2
3
Наши преимущества для успешной подготовки к занятию желаемой должности:
Capstone Project
Работайте над завершающим проектом, который покажет ваши навыки и знания в практике.
4
Список работодателей
Даем вам доступ к списку проверенных и надежных компаний, которые ищут таланты, такие как вы.
5
Лучшие проекты с Demo Day
Мамыт Мадилан
Customer churn prediction
Проект нацеленный на банки, предсказывающий клиентов, которые захотят отказаться от услуг банка
Кусатаева Алия
Competitions from drivedata.org and dashboard “shipping time”
Цель - создание дэшборда, который позволяет анализировать качество доставленных клиентам грузов и принимать решения на основе данных для действующих отправок
Тлеулиев Алим
Image captioning and text-to-speech
Цель - разработка системы, переводящая информацию на изображениях в речевую форму для людей с ограниченными возможностями зрения позволяя им лучше воспринимать окружающий мир
Байтуреева Айымжан
Baggage multi label classification
Цель - разработка точной системы, которая классифицирует опасные предметы багажа, что имеет решающее значение для обеспечения безопасности, оптимизации операций и соблюдения нормативных требований в аэропортах, стадионах и учебных заведениях
Этапы обучения программы
Смахните налево
Зачисление
Прием заявок
CV
Тестирование
За 3 недели до старта
Подготовка
Pre study
Self paсed course
Тестирование
За 2 недели до старта
Обучение
Семинары
Гостевые лекции
Driven data competition
Неделя 1-18
Элективные треки
Computer Vision
NLP
Неделя 19-22
Стажировка
Проект в Startup
Менторство
Исследование
Неделя 19-22
Trainee Success
Подготовка CV
Mock interview
Предложения о работе
Неделя 26
Capstone project
Персональный проект
Питчинг
Неделя 26
Формат обучение и стоимость
800 000 ₸
Полная стоимость курса:
Продолжительность курса в месяцах и неделях: 6 месяцев - 26 недель