Data Scientist od nič do PRO - tečaj 233.640 RUB. iz SkillFactory, usposabljanje 24 mesecev, datum 15. avgust 2023.

BAZA

Na tej stopnji se boste naučili osnov programiranja v Pythonu, se naučili predobdelave in analize podatkov ter se seznanili z glavnimi nalogami podatkovnega znanstvenika.

Uvod - 1 teden

Sami boste lahko oblikovali prave učne cilje, ugotovili, kakšna je vrednost DS za podjetja, se seznaniti z glavnimi nalogami podatkovnega znanstvenika in razumeti, kako poteka razvoj katerega koli Projekt DS.
INTRO-1. Kako učinkovito študirati - onboarding in training
INTRO-2. Pregled stroke. Vrste problemov v znanosti o podatkih. Faze in pristopi k razvoju projekta Data Science

Razvojna zasnova - 5 tednov

Naučili se boste delati z osnovnimi tipi podatkov z uporabo Pythona in znali boste uporabljati konstrukcije zank, pogojne stavke in funkcije pri vsakodnevnem delu.
PYTHON-1. Osnove Pythona
PYTHON-2. Poglobitev v podatkovne vrste
PYTHON-3. Pogojni stavki
PYTHON-4. Cikli
PYTHON-5. Funkcije in funkcionalno programiranje
PYTHON-6. Vadite
PYTHON-7. Vodnik po slogu Python (bonus)

Osnove matematike - 7 tednov

MATEMATIKA-1. Števila in izrazi
MATEMATIKA-2. Enačbe in neenačbe
MATEMATIKA-3. Osnovni pojmi teorije funkcij
MATEMATIKA-4. Osnove geometrije: planimetrija, trigonometrija in stereometrija
MATEMATIKA-5. Množice, logika in elementi statistike
MATEMATIKA-6. Kombinatorika in osnove teorije verjetnosti
MATEMATIKA-7. Reševanje problema

Delo s podatki - 8 tednov 

Na tej stopnji boste obvladali osnovne veščine podatkov: kako pripraviti, očistiti in transformirati podatke, da bodo primerni za analizo. Ko smo že pri analizi: podatke boste analizirali s priljubljenimi knjižnicami Matplotlib, Seaborn, Plotly.

PYTHON-8. Orodja podatkovne znanosti
PYTHON-9. knjižnica NumPy
PYTHON-10. Uvod v Pande
PYTHON-11. Osnovne tehnike za delo s podatki v Pandas
PYTHON-12. Napredne podatkovne tehnike v Pandas
PYTHON-13. Čiščenje podatkov
PYTHON-14. Vizualizacija podatkov
PYTHON-15. Načela OOP v Pythonu in koda za odpravljanje napak (izbirni modul)
Projekt 1. Analitika nabora podatkov o zaprtih vprašanjih

Nalaganje podatkov - 6 tednov

Podatke boste lahko prenesli iz različnih formatov in virov. Pri tem vam bo pomagal SQL, strukturirani poizvedbeni jezik. Naučili se boste uporabljati agregatne funkcije, združevanja tabel in kompleksna združevanja.
PYTHON-16. Kako prenesti podatke iz datotek različnih formatov
PYTHON-17. Pridobivanje podatkov iz spletnih virov in API-jev
SQL-0. Pozdravljeni SQL!
SQL-1. Osnove SQL
SQL-2. Agregatne funkcije
SQL-3. Združevanje tabel
SQL-4. Kompleksni spoji
Projekt 2. Nalaganje novih podatkov. Izpopolnitev analize

Statistična analiza podatkov - 7 tednov 

Vaša pozornost je namenjena analizi obveščevalnih podatkov (EDA). Seznanili se boste z vsemi stopnjami tovrstne analize in se jo naučili izvajati s pomočjo knjižnic Statsmodels, Scikit Learn, Seaborn, Matplotlib, SciPy, Pandas. Poleg tega boste lahko delali na Kaggle, priljubljeni storitvi za sodelovanje na tekmovanjih.
EDA-1. Uvod v analizo obveščevalnih podatkov. Algoritmi in metode EDA
EDA-2. Matematična statistika v kontekstu EDA. Vrste funkcij
EDA-3. Inženiring funkcij
EDA-4. Statistična analiza podatkov v Pythonu
EDA-5. Statistična analiza podatkov v Pythonu. 2. del
EDA-6. Načrtovanje poskusov
EDA-7. Platforma Kaggle
Projekt 2

Uvod v strojno učenje - 9 tednov

Spoznali boste knjižnice ML za modeliranje podatkovnih odvisnosti. Usposobili se boste za glavne tipe modelov ML, izvajali validacijo, interpretirali rezultate dela in izbirali pomembne lastnosti (feature important).
ML-1. Teorija strojnega učenja
ML-2. Nadzorovano učenje: regresija
ML-3. Nadzorovano učenje: klasifikacija
ML-4. Učenje brez nadzora: tehnike združevanja in zmanjševanja dimenzij
ML-5. Validacija podatkov in vrednotenje modela
ML-6. Selekcija in selekcija lastnosti
ML-7. Optimizacija hiperparametrov modela
ML-8. ML kuharska knjiga
Projekt 3. Problem klasifikacije

GLAVNA ENOTA

Linearna algebra, matematična analiza, diskretna matematika - sliši se strašljivo, a ne bodite prestrašeni: vse te teme bomo analizirali in vas naučili delati z njimi! Na drugi stopnji se boste poglobili v matematiko in osnove strojnega učenja, izvedeli več o poklicih DS ter s karierno orientacijo izbrali drugo letnik študija.

Matematika in strojno učenje. 1. del - 6 tednov

Znali boste reševati praktične probleme z uporabo ročnega računanja in Pythona (vektorski in matrični izračuni, delo z množicami, študij funkcij z uporabo diferencialne analize).
MATEMATIKA&ML-1. Linearna algebra v kontekstu linearnih metod. 1. del
MATEMATIKA&ML-2. Linearna algebra v kontekstu linearnih metod. 2. del
MATEMATIKA&ML-3. Matematična analiza v kontekstu optimizacijskega problema 1. del
MATEMATIKA&ML-4. Matematična analiza v kontekstu optimizacijskega problema. 2. del
MATEMATIKA&ML-5. Matematična analiza v kontekstu optimizacijskega problema. 3. del
Projekt 4. Problem regresije

Matematika in strojno učenje. 2. del - 6 tednov

Seznanili se boste z osnovnimi pojmi teorije verjetnosti in matematične statistike, algoritmi grozdenja, naučili pa se tudi ovrednotiti kakovost opravljenega grozdenja in predstaviti rezultate v grafični obliki.
MATEMATIKA&ML-6. Teorija verjetnosti v kontekstu naivnega Bayesovega klasifikatorja
MATEMATIKA&ML-7. Algoritmi, ki temeljijo na drevesih odločanja
MATEMATIKA&ML-8. Povečevanje in zlaganje
MATEMATIKA&ML-9. Tehnike združevanja in zmanjševanja dimenzij. 1. del
MATEMATIKA&ML-10. Tehnike združevanja in zmanjševanja dimenzij. 2. del
Projekt 5. Ansambelske metode

Diskretna matematika - 4 tedne

MATH&MGU-1 Množice in kombinatorika
MATH&MGU-2 Logika
MATH&MGU-3 Grafi. 1. del
MATH&MGU-4 Grafi. 2. del

ML v poslu - 8 tednov

Naučili se boste uporabljati knjižnice ML za reševanje problemov časovnih vrst in sistemov priporočil. Lahko boste usposobili model ML in ga validirali ter ustvarili delujoč prototip in zagnali model v spletnem vmesniku. Pridobite tudi veščine testiranja A/B, da boste lahko ocenili model.
MATEMATIKA&ML-11. Časovne serije. 1. del
MATEMATIKA&ML-12. Časovne serije. 2. del
MATEMATIKA&ML-13. Sistemi priporočil. 1. del
MATEMATIKA&ML-14. Sistemi priporočil. 2. del
PROD-1. Priprava modela za proizvodnjo
PROD-2. PrototypeStreamlit+Heroku
PROD-3. Poslovno razumevanje. Ovitek
Projekt 6. Tema, med katero lahko izbirate: časovne vrste ali sistemi priporočil

PRO NIVO

V tretji stopnji se boste seznanili z eno izmed metod strojnega učenja – globokim učenjem (DL). In tudi polnopravni blok izbrane specializacije vas čaka: obvladate lahko veščine strojnega učenja (ML), spoznati rutino CV (računalniški vid) ali se izpopolnjevati v NLP*, naravno procesiranje jezik.

Drugi letnik študija - 3 smeri na izbiro

Karierno usmerjanje

ML, CV ali NLP: na tej stopnji se morate končno odločiti, katero pot boste ubrali naprej. Povedali vam bomo o vsaki specializaciji in vam ponudili rešitev več praktičnih problemov, da se boste lažje odločili.

Track ML - inženir

V smeri ML se boste naučili reševati poglobljene probleme strojnega učenja, osvojili kompetence podatkovnega inženirja in izpopolnili svoje veščine pri delu s knjižnicami Python. Naučili se boste tudi, kako ustvariti MVP (minimalno izvedljivo različico izdelka), spoznali vse zapletenosti izpisa modela ML v produkcijo in se naučili, kako inženirji ML delajo v resničnem življenju.
Uvod v globoko učenje
Osnove podatkovnega inženiringa
Dodatna poglavja Python in ML
Ekonomska ocena učinkov in razvoj MVP
ML v proizvodnjo
Poglobljen študij razvoja ML in diplomska naloga na izbrano temo

Track CV - inženir

Na poti življenjepisa se boste naučili reševati težave z računalniškim vidom, kot je klasifikacija slik, segmentacija in detekcija, ustvarjanje in stilizacija slik, restavriranje in izboljšanje kakovosti fotografije. Poleg tega se boste naučili, kako uvesti nevronske mreže v proizvodnjo.
Uvod v globoko učenje
Osnove podatkovnega inženiringa
Dodatna poglavja Python in ML
Ekonomska ocena učinkov in razvoj MVP
ML v proizvodnjo
Poglobljen študij razvoja ML in diplomska naloga na izbrano temo

Track NLP - inženir

Med usposabljanjem na progi NLP se boste naučili reševati glavne probleme procesiranja naravnega jezika, v vključno s klasifikacijo, povzemanjem in ustvarjanjem besedila, strojnim prevajanjem in ustvarjanjem dialoga sistemi
Uvod v globoko učenje
Matematika nevronske mreže za NLP
Strojna in programska oprema za reševanje problemov NLP
NLP naloge in algoritmi
Nevronske mreže v proizvodnji
Poglobljen študij razvoja NLP in diplomska naloga na izbrano temo

Če izberete CV ali ML specializacijo, lahko tečaj NLP opravite brezplačno brez podpore mentorja.

Globoko učenje in nevronske mreže

Kje se uporabljajo nevronske mreže? Kako usposobiti nevronsko mrežo? Kaj je globoko učenje? Odgovore na ta vprašanja boste izvedeli v bonus delu DL.

Uvod v podatkovno inženirstvo

Spoznali boste, kakšna je razlika med vlogama podatkovnega znanstvenika in podatkovnega inženirja, kakšna orodja slednji uporablja pri svojem delu in katere naloge rešuje vsakodnevno. Besede "snežinka", "zvezda" in "jezero" bodo dobile nove pomene :)