Актуальность
Технологические циклы современных компаний связаны с огромным количеством данных, которые скрыты от конечного пользователя. Они требуют постоянной систематизации и обработки для эффективного принятия решений.
Специалист Data Science выявляет закономерности и тренды в больших объемах информации и, используя технологии искусственного интеллекта, создает инструменты для работы с ними.
Большими данными охвачены все отрасли: от образования до астрофизики, что создает высокую потребность в специалистах по Data Science. Они могут работать в отделах компаний, участвовать в бизнес-проектах, заниматься фрилансом или создавать собственные стартапы в сфере обработки и анализа больших данных.
Чему научитесь
Использовать инструмент ИИ для работы с большими данными.
Применять методы и программные средства для автоматизированной проверки гипотез.
Создавать системы ИИ.
Разрабатывать и применять методы машинного обучения.
Создавать и внедрять сквозные цифровые субтехнологии ИИ.
Создавать архитектуру ИИ для разработки и применения технологических решений.
Использовать системы ИИ на основе нейросетевых моделей и методов.
Создавать и поддерживать системы ИИ на основе нейросетевых моделей и методов. Создавать и внедрять сквозные цифровые субтехнологии ИИ.
Использовать цифровые платформы анализа данных для решения профессиональных задач.
Структура
Профессиональные технологии в Data Science. Машинное обучение. Структура данных в Python. Списки, срезы, циклы. Площадки Google Colab и Kaggle. Python-библиотеки (Pandas, NumPy) для работы с данными. Возможности агрегирующих функций. Соединение таблиц, обработка пропусков и фильтрация данных. Анализ и проверка гипотез на основе статистики с помощью Python. Визуализация данных в Python. Библиотеки Matplotlib, Seaborn, Plotly. Исследовательский анализ данных (EDA) и принят